清华张强Angew综述：将机器学习应用于从微型到宏观的可充电池

新兴的机器学习(ML)方法广泛应用于化学和材料科学研究，并正在构建数据驱动的研究范式。

清华大学张强等人在此综述总结了ML在可充电池中从微型到宏观的应用。

具体而言，ML提供了一种新兴策略来探索密度泛函理论计算的新功能和分子动力学模拟的新潜力，预计将显着增强与界面或非晶结构有关的具有挑战性的描述。

此外，ML具有从实验和理论数据集中挖掘和揭示有价值信息的巨大潜力。因此可以建立定量的“结构-功能”相关性，其应用包括预测固体的离子电导率以及预测电池寿命。

ML在策略优化方面也表现出很大的优势，比如快充协议。最后，提供了对多尺度模拟、实验和机器学习未来组合的展望，并强调了人类在数据驱动研究范式中的作用。

图1. 电池研究的三种方法：实验、理论和数据工具

清华张强Angew综述：将机器学习应用于从微型到宏观的可充电池

图2. 机器学习在不同长度和时间尺度电池研究中的应用

Applying Machine Learning in Rechargeable Batteries from Microscale to Macroscale. Angewandte Chemie International Edition 2021. DOI: 10.1002/anie.202107369

清华张强Angew综述：将机器学习应用于从微型到宏观的可充电池

相关推荐