开发高能高效电池技术是推进交通和航空电动化的关键方面。然而,电池创新可能需要数年时间才能实现。在非水电池电解质溶液的情况下,选择多种溶剂、盐及其相对比例的许多设计变量使得电解质优化既费时又费力。
为了克服这些问题,卡内基梅隆大学Venkatasubramanian Viswanathan和Jay Whitacre等在这项工作中提出了一种实验设计,将机器人技术(一个名为“Clio”的定制自动化实验)与机器学习(一个名为“Dragonfly”的基于贝叶斯优化的实验计划器)结合起来。
文章要点
1)
作者在单盐和三元溶剂设计空间内对电解质电导率进行自主优化,在两个工作日和 42 次实验中确定了六种快速充电的非水电解质溶液。与由同一自动化实验执行的随机搜索相比,该结果代表了六倍的时间加速。
2)
为了验证这些电解质的实际用途,作者在 220 mAh 石墨∣∣LiNi0.5Mn0.3Co0.2O2 软包电池中对其进行了测试。与使用从设计空间中预先选择的非水电解质溶液的基线实验相比,所有包含机器人开发的电解质的软包电池都显示出改进的快速充电能力。
参考文献:
Dave, A., Mitchell, J., Burke, S. et al. Autonomous optimization of non-aqueous Li-ion battery electrolytes via robotic experimentation and machine learning coupling. Nat Commun 13, 5454 (2022).
DOI: 10.1038/s41467-022-32938-1
https://doi.org/10.1038/s41467-022-32938-1.