Npj Comput. Mater.: 大数据驱动的电池信息学

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

从2000年到2019年，经济和全球能源消耗的持续增长使二氧化碳排放量增加了45%。为实现碳中和的目标，利用更清洁的可再生能源替代目前对化石燃料的依赖迫在眉睫。可充电电池在能源存储、消费和运输的绿色社会中发挥着至关重要的作用。电池研究中的传统模拟和实验方法通常需要大量的研究资源以及复杂的领域知识或经验，以提高试错法的有效性。近年来，数据驱动技术已成为材料研究的第四范式，机器学习 (ML) 在发现众多候选功能方面蓬勃发展。从 2010 年到 2020 年，电池信息学跨学科领域的出版物数量增加了约 20 倍。因此，在广泛的电池研究中，从基础材料开发到系统级的操作和优化，都需要进行更全面的综述，以便更好地总结最新工作并为未来的研究提供指导。

来自丰田北美研究所的研究人员综述了电池信息学在过去几年中取得的成就，并将电池信息学定义为以机器学习为主要技术或以机器学习为主要工具进行数据分析和解释的研究。在该综述中，作者首先回顾了电池研究的可用数据源，并解释了电池信息学面临的数据稀缺性的挑战。其次，简要讨论了如何通过适当的 ML 算法缓解数据稀缺性的挑战。然后，作者详细总结了机器学习在电池研究各个方面的应用，并重点介绍了机器学习在电池工程中的几个令人兴奋的成就。最后，作者提出了自己的观点，指出开发可供研究领域使用的标准电池数据库与推进算法和机器学习以解决电池研究中的特定问题具有同等重要性，同时还应该考虑在促进数据共享的同时解决潜在知识纠纷的协议。作者认为电池研究人员、开发人员和用户之间应该合作共享和整合数据，以应用机器学习进行更全面、更复杂的电池设计和优化。

该文近期发表于npj Computational Materials 8：33 (2022)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

A review of the recent progress in battery informatics 

Chen Ling

Batteries are of paramount importance for the energy storage, consumption, and transportation in the current and future society. Recently machine learning (ML) has demonstrated success for improving lithium-ion technologies and beyond. This in-depth review aims to provide state-of-art achievements in the interdisciplinary field of ML and battery research and engineering, the battery informatics. We highlight a crucial hurdle in battery informatics, the availability of battery data, and explain the mitigation of the data scarcity challenge with a detailed review of recent achievements. This review is concluded with a perspective in this new but exciting field.

扩展阅读

 

本文系网易新闻·网易号“各有态度”特色内容

媒体转载联系授权请看下方