机器学习赋能的锌离子电池正极材料预测
材料科学
2021-08-31 v1
摘要
具有水溶液电解质的的可充电锌电池因低成本、高体积容量、环境友好和高安全性等诸多优势，被视为极具前景的替代储能技术。然而，可靠正极材料的缺乏在很大程度上制约了其应用。在此，我们开发了一种基于机器学习 (ML) 的方法来预测具有高容量 (>150 mAh/g) 和高电压 (>0.5V) 的正极材料。我们从 Materials Project 数据库中筛选了约 130,000 种无机材料，并应用基于晶体图卷积神经网络 (CGCNN) 的 ML 方法，结合来自 AFLOW 数据库的数据。二者的结合不仅能筛选出与实验数据吻合良好的正极材料，还能预测新的有前景的候选材料以供进一步实验验证。我们希望本研究能激发对基于 ML 的电池材料发现先进理论工具的更多兴趣。
引用
@article{arxiv.2104.00586,
title = {Machine Learning Enabled Prediction of Cathode Materials for Zn ion Batteries},
author = {Linming Zhou and Archie Mingze Yao and Yongjun Wu and Ziyi Hu and Yuhui Huang and Zijian Hong},
journal= {arXiv preprint arXiv:2104.00586},
year = {2021}
}
备注
21 Pages including SI, 4 figures