基于几何深度学习的电池电解液混合物可微建模与优化
化学物理
2023-11-03 v2 机器学习
摘要
电解液在设计下一代电池系统中起着关键作用，其可实现高效的离子传输、阻止电荷转移并稳定电极-电解液界面。在这项工作中，我们开发了一个用于化学混合物的可微几何深度学习（GDL）模型 DiffMix，并将其应用于引导机器人实验与优化以实现快充电池电解液。具体而言，我们通过创建 GDL 可学习的物理系数，扩展了混合物热力学与传输定律。我们利用混合物热力学和离子传输性质评估我们的模型，结果表明 DiffMix 相比其纯数据驱动的变体具有更高的预测精度和模型鲁棒性。此外，借助机器人实验装置 Clio，我们通过基于 DiffMix 梯度的可微优化，在 10 个实验步骤内将电解液的离子电导率提升了超过 18.8%。通过结合 GDL、混合物物理定律与机器人实验，DiffMix 拓展了化学混合物的预测建模方法，并实现了大化学空间中的高效优化。
引用
@article{arxiv.2310.03047,
title = {Differentiable Modeling and Optimization of Battery Electrolyte Mixtures Using Geometric Deep Learning},
author = {Shang Zhu and Bharath Ramsundar and Emil Annevelink and Hongyi Lin and Adarsh Dave and Pin-Wen Guan and Kevin Gering and Venkatasubramanian Viswanathan},
journal= {arXiv preprint arXiv:2310.03047},
year = {2023}
}