深度学习辅助预测自旋锂钛氧化物薄膜电化学锂化状态
材料科学
2025-11-20 v1
摘要
机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）基于框架正在迅速发展，并为预测材料属性产生了相当大的兴趣。本文我们利用ML-DL框架来预测自旋结构Li₄Ti₅O₁₂（LTO）薄膜的电化学锂化状态及其相关电导率。拉曼光谱因其快速、无损且高分辨率的特性被用于监测LTO薄膜的动态电化学变化。我们收集了3272个拉曼光谱数据，代表锂化状态从0%到100%，并采用包括星际Ray去除、平滑、基线校正、归一化和数据增强等先进技术进行预处理。我们评估了支持向量机（SVM）、线性判别分析（LDA）和随机森林（RF）等经典机器学习模型，以及卷积神经网络（CNN）。虽然传统模型实现了中等到高准确率，但在泛化和噪声鲁棒性方面表现不足。相比之下，CNN展现出卓越的性能，实现了超过99.5%的准确率，并对未见样本具有稳健的预测能力。该CNN模型有效捕捉了非线性光谱特征，并对实验变异具有鲁棒性。这一流程不仅实现了准确的锂化状态分类，还促进了电导率估计，为实时电池材料表征以及对其他光谱数据集的潜在扩展提供了可扩展的方法。
引用
@article{arxiv.2511.15109,
title = {Deep Learning Assisted Prediction of Electrochemical Lithiation State in Spinel Lithium Titanium Oxide Thin Films},
author = {Devin Chugh and Bhagath Sreenarayanan and Steven Suwito and Ganesh Raghavendran and Bing Joe Hwang and Ying Shirley Meng and Weinien Su},
journal= {arXiv preprint arXiv:2511.15109},
year = {2025}
}