查看原文
其他

亮点报导|南开大学周震教授课题组:非监督机器学习加速固态电解质发现

NFMLaber 绿色能源与环境GEE 2022-10-23
扫描上方二维码免费获取全文
锂离子电池中的传统有机电解液由于其易燃易挥发的缺点,容易引发安全问题。因此,开发设计具有较高室温锂离子电导率的固态电解质对于提升锂离子电池安全性具有重要意义。然而,在成千上万种材料中寻找合适的固态电解质是非常困难的。传统试错法仅在数种候选材料中研究改进,限制了固态电解质的发展。在更广阔的化学空间中寻找新型固态电解质变得十分重要。

机器学习可以用来挖掘复杂关系背后的统计规律,因此有望用来高效搜寻所需材料。其中监督学习需要足够的训练数据来训练模型,然而,已知固态电解质数据十分有限,并且由于实验误差,容易引入带有偏差的数据,这限制了监督学习在寻找固态电解质中的应用。为了解决这个问题,来自北美丰田研究所和马里兰大学的研究人员采用非监督学习的方法,将无机晶体结构数据(ICSD)中的含锂材料进行筛选和分类。该工作利用修饰后的XRD(mXRD)作为特征,利用聚类方法将具有高/低锂离子电导率的含锂材料成功分组。接着进一步用第一性原理深入研究处于高锂离子电导率组中的材料,最终提出Li8N2SeLi6KBiO6Li5P2N5等为具有超高锂离子电导率的新型固态电解质(Nat. Commun., 2019, 10, 5260)。此工作为非监督学习在新材料开发领域做出示范,有望推动新型固态电解质的发展。

南开大学周震教授对此工作进行了亮点报导,文章以“Unsupervised machine learning accelerates solid electrolyte discovery”为题,发表于Green Energy & Environment期刊,详见 DOI: 10.1016/j.gee.2019.12.003

通讯作者简介

周震 教授


周震,南开大学材料科学与工程学院教授、博士生导师,南开大学新能源材料化学研究所所长、新能源转化与存储交叉科学中心副主任,科睿唯安全球高被引科学家,H-index:79。主要研究兴趣是通过高性能计算与实验相结合设计纳米结构新能源材料及能源存储体系。Green Energy and Environment副主编、中国电子学会化学与物理电源技术分会第八届委员会委员。



掌上期刊



GEE| Volume 4, Issue 4

GEE| Volume 4, Issue 3

GEE| Volume 4, Issue 2

GEE| Volume 4, Issue 1

GEE |  Volume 3, Issue 4

GEE | 文章推荐

石河子大学于锋课题组:多级微纳米球形催化剂用于低温NH3-SCR脱硝反应

加州大学圣克鲁兹分校陈少伟教授课题组:基于金属@碳核壳结构复合材料的电化学催化性能之概览



科研笔记



会议资讯|2020年学术会议参考列表

会议资讯|近期学术会议参考列表 (上)

会议资讯|近期学术会议参考列表 (下)

科研助手|EndNote操作指南 (上)

科研助手|EndNote操作指南 (下)

科研笔记|国内主流期刊评价体系

科研笔记|国际主流期刊评价体系



期刊动态



逐梦|张锁江主编新年寄语

人物专访|GEE青年编委余彦教授

人物专访|Douglas R. MacFarlane 教授

人物专访|Robin D. Rogers教授

gee@ipe.ac.cn

www.sciencedirect.com/journal/green-energy-and-environment

010-82627075


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存