深度学习驱动的离子掺杂 NASICON 材料评估与预测：提升固态电池性能
材料科学
2025-01-13 v2
摘要
我们开发了一个卷积神经网络 (CNN) 模型，通过利用先前实验研究的大量数据集，能够预测各种离子掺杂 NASICON 化合物的性能。该模型在预测离子电导率和电化学性质方面表现出高精度和高效率。主要发现包括成功合成并验证了模型预测的三种 NASICON 材料，实验结果与模型预测高度吻合。这项研究不仅增强了对 NASICON 材料中离子掺杂效应的理解，还为材料设计和实际应用建立了稳健的框架。它弥合了理论预测与实验验证之间的差距。
引用
@article{arxiv.2409.02952,
title = {Deep learning-driven evaluation and prediction of ion-doped NASICON materials for enhanced solid-state battery performance},
author = {Zirui Zhao and Xiaoke Wang and Si Wu and Pengfei Zhou and Qian Zhao and Guanping Xu and Kaitong Sun and Hai-Feng Li},
journal= {arXiv preprint arXiv:2409.02952},
year = {2025}
}