李先锋/张长昆Chem. Sci.: 液流电池领域应用机器学习的机遇与挑战

随着现代计算机计算能力的提高、数学算法的快速发展及材料数据库的不断建立，人工智能（AI）在化学领域展现出巨大的潜力。机器学习（ML）作为AI最重要的分支之一，在加速液流电池（FBs）关键材料的发现和设计及FB系统的优化方面发挥着重要作用。

在此，中科院大连化物所李先锋研究员、张长昆研究员等人总结了FB领域应用ML的最新进展。首先，作者提供了对ML工作流程的基本理解：第一步是数据集构建，为ML应用收集足够的数据样本。第二步是特征工程，基于原始数据通过数学表示创建新的特征。随后，将数据随机划分为训练数据集和测试数据集，利用ML算法在训练数据集的特征和目标函数之间建立模型。

接下来，对算法的参数进行调整以优化模型，然后通过测试数据集评估模型的准确性。最后，经过验证的模型可用于预测未知数据的属性。此外，作者总结了最先进的ML算法在有机液流电池（OFB）和钒基液流电池（VFB）系统中的成功应用，还包括基于高通量计算模拟的FBs有机氧化还原活性分子的物理和电化学性质的预测。

图1. ML的一般应用工作流程

最后，作者对ML在FBs中应用的主要局限性和未来研究方向进行了展望：

（1）相关数据库和算法的构建和共享。拥有足够数据量和可靠数据的数据库是ML在FB中应用的第一个关键步骤，如何更有效地共享数据是另一个挑战；

（2）提高堆栈性能和降低系统成本。ML已应用于连接VFB的堆栈性能和系统成本，还可为其他FB构建性能成本模型。此外，可更多关注时间序列预测方法的结合；

（3）监测系统运行参数及对参数进一步预测。ML可根据FB系统产生的海量运行数据预测运行参数，进而指导系统运行。此外，通过在运行参数和性能之间建立模型，ML可用于优化 FB 系统的总体成本；

（4）提高ML模型的可解释性。这可为理解原始设计的机理和规律、发现能源材料、指导堆栈和系统的优化提供启发，如何建立一个机制清晰、可理解的模型将是未来的一个重要研究方向。

图2. 面向FBs的ML未来研究展望

Machine learning for flow batteries: opportunities and challenges, Chemical Science 2022. DOI: 10.1039/D2SC00291D