CM：多目标机器学习实现大容量储能材料MXenes逆向设计

研究人员对发现高容量电池材料有着浓厚的兴趣，这促使学术界对二维早期过渡金属碳化物（MXenes）的电化学储能潜力进行研究。其中，预测MXene的组成和电化学性能之间的关系是一个相当重要的研究热点。

在此，澳大利亚国立大学Amanda S. Barnard等人报道了一种多目标逆向设计工作流程并将其应用于通过电子结构模拟生成的二维过渡金属碳化物数据集，以建立一种性能/结构关系且能同时预测给定重量容量、电压和感应电荷下的最佳MXene。其中，作者使用相同的机器学习方法（随机森林RF），但根据具体的特征类型（化合物），在正向预测中使用RF回归器，在逆向预测中使用RF分类器，而不是将正向和逆向设计都视为多目标回归任务。研究表明，正向预测表现出了低平均绝对误差（MAE）和均方误差（MSE），同时揭示了对重量容量、电压和感应电荷有贡献的重要化学元素的概况：就插层MXene的类别重要性而言，插层离子的影响最大，其次是过渡金属、官能团和层状碳化物或氮化物，预计Li⁺或Mg²⁺插层比Na⁺或K⁺提供更大的重量容量。

图1. 逆向设计工作流程

上述特征选择是逆向设计的先决条件，然后逆向设计使用重新优化的多目标模型来预测基于属性标签集（元特征）的减少的结构特征集（元标签）。在逆向模型的情况下，汉明损失、Jaccard分数和混淆矩阵提供了具有高F1分数的出色结果，其中单M分类被认为是最不可靠的。这意味着在对MXenes进行分类以预测最佳M时，某些元素之间没有明显的区别。基于理想的重量容量、电压和感应电荷范围，作者确定Li₂M₂C和Mg₂M₂C（M=Sc, Ti, Cr）可作为更集中研究的候选者。

总之，这项研究表明使用分类描述符训练的逆向模型可准确对多类材料进行分类，这显著扩展了逆向设计的范围并证明了特定化学式的可能输出。由于数据集由单层MXene组成，因此二进制多输出分类只会导致电池发现的总体趋势，但如果生成了相关的数据集，该工作流程也可以识别多层结构。

图2. 单目标和多目标逆分类器的学习曲线

Inverse Design of MXenes for High-Capacity Energy Storage Materials Using Multi-Target Machine Learning, Chemistry of Materials 2022. DOI: 10.1021/acs.chemmater.2c00200

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/07/db0bba4209/

CM：多目标机器学习实现大容量储能材料MXenes逆向设计

相关推荐

发表回复