南策文院士/沈忠慧最新综述：储能材料中的机器学习

机器学习（ML）凭借其极强的数据分析能力，在材料研究范式的革命中显示出无限的潜力。为了促进ML在材料科学中的更大进步，加强材料与计算机/物理/数学之间的交叉融合势在必行。

在此，清华大学南策文院士、武汉理工大学沈忠慧研究员等人总结了机器学习（ML）在储能材料研发中的最新进展，并对ML在材料科学中的创新实施提供了一些见解。

首先，作者介绍了一个基本的ML通用工作流程，包括目标、数据、特征化、算法、评估和应用六个步骤，讨论了每个步骤中的关键概念、方法、示例和挑战。然后，作者以介电电容器（DC）和锂离子电池（LIBs）作为两个具有代表性的例子，从三个方面重点介绍了ML在储能材料研发中的最新进展，包括发现和设计新材料、丰富理论模拟及辅助实验和表征。

目前，ML已经与实验过程的整个生命周期广泛集成并显示出解决复杂问题的巨大潜力，极大地加快了储能材料的研发步伐。然而，值得注意的是，仍有许多挑战有待解决。

图1. ML的通用工作流程

为此，作者概述了对储能材料中ML应用的未来挑战和机遇的一些看法：

1）建立全生命周期材料数据库。大多数材料数据库主要包含有关原子/分子/晶体结构等相应的内在特性信息，但材料性能在整个生命周期中也可能受外部因素的影响。因此，以微观结构为主线进行全生命周期研究不仅可以为科技创新提供更多沃土，也更有利于材料的实际应用；

2）开发多目标优化算法。目前ML在优化单目标性能方面取得了成功，然而当处理两个或更多的性能时，优化问题会变得棘手。因此，迫切需要开发新的高效算法；

3）提高ML的可解释性。尽管ML算法能够实现快速准确的预测，但黑箱特性使其决策难以理解。因此，保持ML的可量化解释性和智能预测之间的平衡是一项艰巨的挑战，需要跨多个学科进行深度集成和协作。

图2. 人工智能原子力显微镜（AI-AFM）的示意图及应用

Machine learning in energy storage materials, Interdisciplinary Materials 2022. DOI: 10.1002/idm2.12020

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/2023/10/14/ce517e41cb/

南策文院士/沈忠慧最新综述：储能材料中的机器学习

相关推荐