Feb, 2022

利用机器学习发现 Li-ion 电池超离子固态电解质

PDF
TL;DR本研究开发了高通量筛选和机器学习代理模型的平台，通过考虑 20,237 种含锂材料的化学描述符和结构特性来寻找超离子型 Li 固态电解质，并成功发现了六个潜在的超离子型 Li 固态电解质。
li-ion solid-state electrolytesmachine-learningionic conductivityli-containing materialsnasicon
发现论文，激发创造
  • 全固态电池中电势和空间电荷层的第一原理预测

    研究了全固态电池的电位分布，发现电荷分布随电池的充放电状态改变，说明固体电解质中电子的电离势影响 Li$^+$ 的传输，最终可以提高电池的放电功率。

    Feb, 2019

  • 基于机器学习的电极制造优化，实现高性能能量和功率电池

    本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

    Jul, 2023

  • 如何为机器学习表示晶体结构：实现电子性能的快速预测

    本文提出了一种机器学习方法，以快速预测固体材料的性质，通过使用对称可扩展的晶体结构表示法，实现高精度的学习和预测，主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。

    Jul, 2013

  • 从科技文献中注释并提取全固态电池的合成过程

    本文提出了一种基于深度学习的序列标记器和简单启发式规则的关系抽取器的自动化机器阅读系统，通过流程图定义合成过程的表示，并从 243 篇论文实验部分创建一个关于全固态电池的合成过程的新语料库。我们的实验结果表明，序列标记器可以检测实体，宏平均 F1 分数为 0.826，同时基于规则的关系抽取器的宏平均 F1 分数为 0.887。

    Feb, 2020

  • 基于深度算子网络推断锂电池的电化学性能与参数

    本文提出了一种将基础物理约束融入数据驱动替代电池系统的方法，通过构建 DeepONet 进行预测，建立了一个包括两个并行物理信息 DeepONets 和一个预测终端电压的 DeepONet 的混合代理，该代理具有高效和准确度以及完全可微的模型结构。

    May, 2022

  • S2SNet: 一种用于超导材料发现的预训练神经网络

    利用包含材料的 S2S 数据集，该数据集整合了晶体结构和超导临界温度数据，我们提出了一个新颖的基于注意力机制的神经网络 S2SNet 来预测超导性，该模型在材料的预处理方面首次考虑晶体结构信息，具有 92％的测试精度和 0.92 的 AUC 评分。

    Jun, 2023

  • 利用机器学习交互势函数精确预测大尺度下锂金属表面和有限温度体性质

    使用机器学习相互作用势 (M-LIP) 对密度泛函理论 (DFT) 数据进行预测，以实现对热力学性质、表面性质等多个方面的准确预测。研究部分关注锂金属电池和电解液的问题。

    Apr, 2023

  • 可解释机器学习以实现掺杂共轭聚合物高通量电导率优化

    借助高通量实验技术和机器学习的结合，提出了一种利用吸收光谱进行电导率测量的机器学习方法，实现了对材料电导率的加速测量，极大提高了测量效率并获得了有价值的洞察力。

    Aug, 2023

  • 电池电解液的结构 - 组成与器件性能的配方图

    我们报道了一个深度学习模型，Formulation Graph Convolution Network (F-GCN)，可以将个体组分的结构 - 组成关系映射到整个液体配方的性质上。该模型在电池电解液配方上得到了良好的性能预测结果，包括 Coulombic Efficiency (CE) 和比容量。

    Jul, 2023

  • 使用基于 Transformer 的分子表示模型改进电解质配方的性能预测

    高效高性能电解液的开发对于推进能量存储技术，特别是电池技术非常重要。本文介绍了一种新的方法，利用基于 Transformer 的分子表示模型来有效地捕捉电解液配方的表示，通过在两个电池属性预测任务中对该方法进行评估，结果表明其在性能上优于目前的最先进方法。

    Jun, 2024