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

本研究利用贝叶斯优化方法调整镍锰钴 - 石墨电池的动态参数，对比了梯度下降和粒子群优化方法，结果显示贝叶斯优化方法在平均测试损失上优于梯度下降和粒子群优化方法分别可减少 28.8% 和 5.8%，同时显著降低了测试损失的方差分别为 95.8% 和 72.7%。

May, 2024

利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

Apr, 2023

应用机器学习技术，研究了电池容量削减的机制，通过 WOA-ELM 模型，确定了影响电池特定容量的关键因素，并解释了它们与电极材料的结构损伤和电池循环期间的故障之间的联系。

Aug, 2023

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。

Feb, 2022

电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。

Apr, 2024

利用数据驱动方法、推理技术和机器学习增强模型的建模，针对阴极电泳沉积（EPD）进行建模，并通过实验数据的推理和可调整的模型增强方法来改进物理模型的系统性。

Jan, 2024

用基于物理的方程和自注意力模型结合的新方法，通过早期循环数据预测商业锂铁磷图层石墨电池的循环寿命，并通过拟合容量损耗曲线到这个基于物理的方程，利用自注意力层重构整个电池的容量损耗曲线。我们的模型在预测更多信息（整个容量损耗曲线而不是循环寿命）的同时表现出与现有模型相当的性能，这提供了更强的稳健性和可解释性，我们的模型不需要针对不同的寿命周期重新训练，并且有物理直觉的支撑。

Apr, 2024

利用物理信息机器学习方法，我们展示了一种可以通过电信号量化和可视化描述热力学和动力学相关性的时态损失，实现非破坏性降解模式表征，加速整个使用寿命轨迹的温度自适应预测，速度提高了 25 倍，准确率保持在 95.1％，这种研究为电池原型的降解提供了新的可能性。

Jun, 2024

摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

Nov, 2023