不断增长的能源需求使追求可持续能源技术成为全球当务之急。新兴可充电电池的发展常受到人们对在巨大空间中由缠结图案组成的有限化学理解的严重阻碍。

近日，电子科技大学彭翃杰将时间序列分解和递归神经网络（RNN）相结合，提出了一种可解释的混合机器学习（ML）框架，用以揭示锂硫（Li-S）电池的容量衰减过程。

文章要点

1）通过对动态特征的预训练工程，以适应电池之间的差异，并结合将单个电池聚集成组的静态特征，所开发的混合模型实现了以令人印象深刻的低预测误差（8.9 %的寿命终止预测）来预测电池衰减。此外，与通常由黑盒模型组成并提供有限见解的传统电池预测ML不同，混合ML框架更侧重于丰富物理理解。

2）通过特征重要性排序进行的更深入的机理分析，研究人员揭示了一个尚未报道的性能指标（首次放电时电解质与高压区容量的比率）来表征Li–S电池的循环性能，该指标比广泛认可的指标（即电解质与硫(E/S)的比率）更有效。从而阐明了实用锂硫电池的合理设计和参数优化。

3）这些发现突出了可解释ML的有效性，它不仅揭示了复杂电池化学中的隐藏模式，还将学到的模式转化为可理解的知识。由此可见，这种可解释的混合ML框架在简化实际锂电池和其他新兴复杂系统的验证和设计方面具有巨大应用潜力。

参考文献

Xinyan Liu, et al, Untangling Degradation Chemistries of Lithium–Sulfur Batteries Through Interpretable Hybrid Machine Learning, Angew. Chem. Int. Ed. 2022

DOI: 10.1002/anie.202214037

https://doi.org/10.1002/anie.202214037