跨多样组分的实验电化学深度学习用于电池正极
材料科学
2024-05-14 v3
摘要
人工智能（AI）已成为发现和优化新型电池材料的工具。然而，由于优化多重性能属性的复杂性以及高保真数据的稀缺，AI 在电池正极表征与发现中的应用仍受限。本研究提出一种用于电池信息学的机器学习模型（DRXNet），并展示其在无序岩盐（DRX）正极材料发现与优化中的应用。我们汇编了过去五年 DRX 正极的电化学数据，构建了涵盖 14 种不同金属物种、多样化学体系下超过 19,000 条放电电压曲线的数据集。从该海量数据集学习，我们的 DRXNet 模型可自动捕获 DRX 正极在不同条件下的循环曲线中的关键特征。举例而言，该模型对 Li--Mn--O--F 化学空间内多样组分以及高熵体系的放电容量给出合理预测。作为在多样化学体系上训练的通用模型，我们的方法提供了数据驱动的解决方案，以促进新型正极材料的快速识别，加速面向碳中和的下一代电池开发。
引用
@article{arxiv.2304.04986,
title = {Deep learning of experimental electrochemistry for battery cathodes across diverse compositions},
author = {Peichen Zhong and Bowen Deng and Tanjin He and Zhengyan Lun and Gerbrand Ceder},
journal= {arXiv preprint arXiv:2304.04986},
year = {2024}
}