多孔碳因其功率能力、长期循环稳定性和宽工作温度而成为超级电容器应用的首选活性材料。然而，具有改善的物理化学和电化学性能的碳活性材料的开发通常是通过耗时且成本低的实验过程进行的。在这方面，机器学习技术提供了一种数据驱动的方法来检查先前报道的研究工作，以找到开发超级电容器理想碳材料的关键特征。

在这里，橡树岭国家实验室Sheng Dai报道了一种机器学习衍生的激活策略的设计，该策略使用氨基钠和交联聚合物前体来合成高度多孔的碳（即比表面积> 4000 m²/g）。

文章要点

1）通过调节碳质材料的孔径和氧含量，报道了一种电极质量负载为 0.7 mg/cm² 的高度多孔碳基电极，在 1 M H₂SO₄ 中表现出 610 F/g 的高比电容。

2）该结果接近机器学习方法预测的多孔碳电极的比电容。此外，还通过阶跃电位电化学光谱和准弹性中子散射测量研究了电荷存储机制和电解质传输特性。

参考文献

Wang, T., Pan, R., Martins, M.L. et al. Machine-learning-assisted material discovery of oxygen-rich highly porous carbon active materials for aqueous supercapacitors. Nat Commun 14, 4607 (2023).

DOI：10.1038/s41467-023-40282-1

https://doi.org/10.1038/s41467-023-40282-1