鋰離子電池 (LIB) 是現(xiàn)代社會(huì)至關(guān)重要的儲(chǔ)能設(shè)備。然而,其在能量密度、功率密度、循環(huán)壽命、安全性等方面的性能和成本仍然不盡如人意。為了進(jìn)一步提高電池的性能,傳統(tǒng)的“試錯(cuò)”過(guò)程需要進(jìn)行大量繁瑣的實(shí)驗(yàn),計(jì)算化學(xué)和人工智能 (AI) 可以顯著加快新型電池系統(tǒng)的研發(fā)。圖1. 新材料發(fā)現(xiàn)方法的發(fā)展在此,新加坡南洋理工大學(xué)顏清宇、李述周及文勇剛等人總結(jié)了用于預(yù)測(cè)和發(fā)現(xiàn)電池材料以及估計(jì)電池系統(tǒng)的狀態(tài)的機(jī)器學(xué)習(xí)(ML)研究的進(jìn)展。作者首先簡(jiǎn)要介紹ML或AI在電池領(lǐng)域的應(yīng)用的三種類(lèi)別(規(guī)定性、描述性和預(yù)測(cè)性);然后總結(jié)了關(guān)于ML在電池性能預(yù)測(cè)(電極、電解質(zhì)、電池狀態(tài))和新材料發(fā)現(xiàn)與設(shè)計(jì)的最新研究,并給出了成功示例。同時(shí)概述了在現(xiàn)實(shí)場(chǎng)景和集成框架中應(yīng)用AI/ML的挑戰(zhàn),包括數(shù)據(jù)采集稀缺性和成本安全問(wèn)題等。圖2. 綜述內(nèi)容總結(jié)為了應(yīng)對(duì)這些挑戰(zhàn),作者建議將不同性質(zhì)的ML算法(即規(guī)定性、描述性和預(yù)測(cè)性ML/AL)集成到一個(gè)統(tǒng)一的框架中,以數(shù)字孿生為中心促進(jìn)電池系統(tǒng)經(jīng)濟(jì)中的先進(jìn)應(yīng)用。提議的框架包括三個(gè)模塊,即物理系統(tǒng)/場(chǎng)景、數(shù)字孿生和人工智能引擎。這三個(gè)模塊通過(guò)不同的力量(即人工智能能力)相互影響,具有數(shù)據(jù)豐富、效率和安全部署等優(yōu)點(diǎn)。圖3. 通過(guò)機(jī)器學(xué)習(xí)方法發(fā)現(xiàn)和設(shè)計(jì)電池材料的基本工作流程Machine Learning: An Advanced Platform for Materials Development and State Prediction in Lithium-Ion Batteries, Advanced Materials 2021. DOI: 10.1002/adma.202101474