利用机器学习预测金属离子电池电极材料的电压
材料科学
2019-05-24 v2
摘要
机器学习（ML）技术已迅速在具备大数据集的材料化学与物理诸多领域中得到应用。为加速电池材料发现，本工作开发了一个基于 ML 模型的工具（http://se.cmich.edu/batteries）来预测金属离子电池电极材料的电压。为此，我们使用深度神经网络、支持向量机和核岭回归作为 ML 算法，结合来自 Materials Project 数据库的数据，以及由化合物性质和构成元素性质得到的特征向量。我们表明我们的 ML 模型对不同参考测试集具有预测能力，并作为一个示例，利用它们生成电压曲线图并与密度泛函理论计算进行比较。此外，利用我们的模型，我们提出了近 5000 种用于钠和钾离子电池的候选电极材料。我们还提供了一个可通过网页访问的工具，能在数分钟内估算多种金属离子的任意块体电极材料的电压。这些结果表明，ML 作为计算量大的计算的一种有前景的替代方案，可用作电池新材料的第一筛选工具。
引用
@article{arxiv.1903.06813,
title = {Machine Learning the Voltage of Electrode Materials in Metal-ion Batteries},
author = {Rajendra P. Joshi and Jesse Eickholt and Liling Li and Marco Fornari and Veronica Barone and Juan E. Peralta},
journal= {arXiv preprint arXiv:1903.06813},
year = {2019}
}
备注
28 pages