新兴的机器学习(ML)方法在化学和材料科学研究中已经得到了广泛的应用,并正在构建一种数据驱动的研究范式。
近日,清华大学张强教授从微观到宏观对ML在可充电电池中的应用进行了综述。
文章要点
1)作者总结了ML与各种理论计算和实验方法,如密度泛函理论(DFT)计算、分子动力学模拟(MD)、相场法(PFM)、有限元法(FEM)、电池材料表征技术以及电化学性能测试等相结合的研究。
2)ML具有从实验结果和理论计算数据集中挖掘和揭示有价值信息的巨大潜力。这样就可以建立一个定量的“结构-功能”关系,其应用包括预测固体的离子电导率和预测电池寿命。此外,ML在策略优化方面也显示出巨大的优势,例如电池的快充协议。
3)作者最后对如何将实验、理论和ML相结合,促进下一代电池的实际应用提出了个人见解。
参考文献
Xiang Chen, et al, Applying Machine Learning in Rechargeable Batteries from Microscale to Macroscale, Angew. Chem. Int. Ed., 2021
DOI: 10.1002/anie.202107369
https://doi.org/10.1002/anie.202107369