AI 驱动的高性能下一代电池聚合物电极发现

电池中过渡族金属的使用需要大量使用锂、钴和镍等关键元素，这带来了重大的环境挑战。用氧化还原活性有机材料替代这些金属提供了一种有前景的替代方案，从而可将电池的碳足迹降低一个数量级。然而，这种方法面临着关键障碍，包括合适的氧化还原活性有机材料的可用性有限，以及电子电导率、电压、比容量和长期稳定性较低等问题。为了克服低电压和低比容量的限制，我们开发并实现了一个由机器学习 (ML) 驱动的电池信息学框架。该框架利用广泛的电池数据集和先进的 ML 技术来加速并增强氧化还原活性有机材料的识别、优化和设计。在本文中，我们提出了一个数据融合 ML 耦合元学习模型，能够预测各种有机负极和电荷载体（正极材料）组合的电池属性、电压和比容量。该 ML 模型加速了实验进程，促进了电池材料的逆向设计，并从三个庞大的材料库中识别出合适的候选材料，以推进可持续储能技术。