

Adv. Mater.：机器学习用于锂电池材料开发与状态预测

邃瞳科学云

2021-09-10

导读：本文提出了一种关于人工智能能力的机器学习算法的替代分类，介绍了锂离子电池中的机器学习应用程序，并概述应用机器学习技术所面临的重大挑战，进而提出解决这些挑战的一个集成框架体系。介绍了机器学习模型在预测材

喜欢就点击蓝字关注我们吧，订阅更多最新消息

全文速览

在本文中，作者首先提出了一种关于人工智能能力的机器学习算法的替代分类，简要介绍了锂离子电池中的机器学习应用程序，并概述应用机器学习技术所面临的重大挑战，进而提出解决这些挑战的一个集成框架体系。然后介绍了机器学习模型在预测材料性能、电池状态和材料设计方面的最新应用。最后，为了解决数据稀缺性和成本安全问题等挑战，作者提出将不同性质的机器学习算法集成到一个统一的框架中。

背景介绍

锂离子电池(LIBs)是现代社会中至关重要的储能设备。为了进一步提高电池的性能，传统的“试错”过程需要大量繁琐的实验。计算化学和人工智能(AI)可以显著地加快新电池系统的研究和开发。然而，在寻找合适的计算模型方面仍然存在许多挑战。机器学习(ML)作为人工智能的核心部分，可以找到高维数据背后的统计规律，产生可靠、可重复的决策和结果。毫无疑问，机器学习已成为一种高效、准确地获取电极材料的组成-结构-性能关系的有效计算方法。近日，新加坡南洋理工大学材料科学与工程学院教授/副院长颜清宇课题组在《Advanced Materials》上发表题为“Machine Learning: An Advanced Platform for Materials Development and State Prediction in Lithium-Ion Batteries”综述性文章，提供了人工智能技术的一个异构类别，用来预测和发现电池材料，并评估电池系统的状态。同时分析并概述了成功的案例，人工智能应用的挑战和集成框架体系。

图文解析

Figure 1. a) Schematic of the most commonly used Li-ion batteries based on LiCoO2 cathodes and graphite anodes. b) The main properties of Li-ion batteries regarding performance. c) The desired properties of electrode and electrolyte materials.

作者首先提出了一种关于人工智能能力的机器学习算法的替代分类，简要介绍了锂离子电池中的机器学习应用程序，并概述应用机器学习技术所面临的重大挑战，进而提出解决这些挑战的一个集成框架体系。由于电池的安全性问题，利用机器学习技术预测电池的降解行为对整个系统也是至关重要。

Figure 2. The basic workflow for battery materials discovery and design by ML methods.

在第二部分，作者主要关注机器学习模型在预测材料性能、电池状态和材料设计方面的最新应用。机器学习模型通过低成本和准确的预测，建立条件属性与决策属性之间的定量关系。通过机器学习方法预测电池材料性能的基本工作流程分为三部分：特征工程有利于识别条件属性；通过模型训练，建立这些条件因素与决策属性之间的映射关系；各种特性（电池电压和离子电导率等）可以通过训练后的模型进行预测。作者详细讨论了可充电电池材料的性能预测，包括电极、液体电解质和固体电解质材料。对于材料的发现和设计，第一步是生成与感兴趣的材料属性密切相关的关键描述符或特征，第二步是在描述符和目标属性之间的精确模型的构建。两种主要的方法是通过大规模筛选和数学优化来实现设计过程。对于大规模的筛选方法，它是在设计空间中生成所有可能的目标材料的第一步，然后使用现有的机器学习模型对材料进行测试。基于优化的方法试图在不逐个测试候选材料的情况下识别候选材料，降低了复杂性。

Figure 3. Illustration of a closed-loop framework for the design, material discovery, property prediction, and cell management of battery systems using digital twins and AI capabilities.

在被广泛接受的机器学习模型中，需要一个两个阶段的过程，即训练和推理。在训练阶段，机器学习算法吸收标记的数据集来学习模型中的参数值/权值；在推理阶段，训练后的模型利用新数据点的输入，对相应的标签进行推理。然而，在实际情况中，这个过程面临着以下两个固有的挑战：数据稀缺性和成本安全问题。为了解决这些挑战，作者提出将不同性质的机器学习算法集成到一个统一的框架中。该框架包括三个模块：物理系统/场景、数字孪生和人工智能引擎。物理系统代表作为目标的真实环境/系统（例如，电池设计、材料发现和电池管理等）。数字孪生表示现实世界场景的数字化网络环境/模型。人工智能引擎代表了基于学习的优化/诊断/控制现实世界系统的方法。

总结与展望

计算化学已经成为补充和辅助实验研究以预测和设计新材料的成熟方法，并开发了许多材料数据库。人工智能与材料数据库的结合有望加速电池的材料创新。此外，机器学习模式在开发电池管理系统（与锂离子电池的健康和安全密切相关）方面也很强大。

文献来源

Machine Learning: An Advanced Platform for Materials Development and State Prediction in Lithium-Ion Batteries. Adv. Mater. 2021, 2101474. https://doi.org/10.1002/adma.202101474.

声明

本文仅供科研分享，不做盈利使用，如有侵权，请联系后台小编删除