发现中温SOFC用新型电解质材料！仅通过一次实验

点击上方蓝色字体，关注我们

本文1056字，阅读约3分钟

摘   要：日本九州大学、岐阜大学、宫崎大学等组成的研究小组新开发出一种人工智能（AI）模型，通过利用该AI模型，仅在一次实验中就发现了用于中温SOFC的“新型质子传导型电解质”。

关键字：人工智能、AI模型、质子传导型电解质、中温固体氧化物燃料电池、元素组合、钙钛矿氧化物

今年8月，由九州大学、岐阜大学、宫崎大学等组成的研究小组利用新开发的人工智能（AI）模型，仅在一次实验中就发现了用于中温固体氧化物燃料电池（SOFC）的“新型质子传导型电解质”。

SOFC是一种使用固体氧化物作为电解质的燃料电池。虽然在燃料电池中具有最高的能量转换效率，但是目前采用的固体氧化物只有在工作温度达到700~1000℃的高温时才能表现出高离子传导性，因此只能使用成分材料价格高昂的固体氧化物。

在这种背景下，在约400℃时表现出高离子传导性的质子传导型氧化物作为中温SOFC的电解质材料备受关注。其中，钙钛矿氧化物（一般化学式为ABO₃）是最受期待的候选材料。而且，构成这种氧化物的元素组合几乎是无限的。因此，在开发新型质子传导型电解质的过程中，一直以来都是依靠技术人员的经验和直觉。

使用开发的AI模型来预测未知材料“SrSn_0.8Sc_0.2O_3-δ”的质子传导性

构成这种氧化物的元素组合几乎是无限的

（来源：九州大学等）

该研究小组此次开发出一种AI模型，以在短时间内探索最佳元素组合。具体来说，首先合成22种组分的现有材料，利用由热重分析法（TGA）获得的高精度质子浓度数据和可靠的文献值，建立了由65种组分、761条数据构成的训练数据库。

接下来，结合80个描述符以及质子引入反应的物理化学知识，对训练数据进行训练。由此，开发出预测未知材料（CABO₃）中的质子浓度对温度依赖性的AI模型。

此时，作为物理化学知识，使AI学习“金属氧化物中的质子浓度与受体浓度成比例”。结果表明，即使在训练数据仅为761条这一较少数量的情况下，也可以精确地预测出材料中质子浓度的温度依赖性。

利用实验数据的AI模型和新型质子传导型电解质的开发流程

利用开发的AI模型，对8613种材料的质子浓度的温度依赖性进行了预测。在化学组成空间和描述符空间中以结构-特性图可视化该预测结果。在此基础上，将很可能具有质子传导性的候选材料缩小为12种。研究人员从中选择了一种合成材料。

具体来说，从AI预测的材料中，限定了如下条件：“母晶体材料，其ΔH_hyd具有-100±5kJ mol^-1的水合焓，并且存在于预测可靠性高的区域，而且此前其质子传导性不为人知”。结果，选择“SrSn_0.8Sc_0.2O_3-δ”作为候选材料。

用于锁定候选材料的结构-特性图

该研究小组实际合成了候选材料SrSn_0.8Sc_0.2O_3-δ，并对其进行了实验。另外可知，本次发现的新质子传导型电解质的质子浓度在400℃以上的温度范围内与AI预测的值基本一致。

AI预测的质子浓度的温度依赖性与实验结果的对比以及质子传导度的实验值

---

翻译：肖永红

审校：李涵、贾陆叶

统稿：李淑珊

更多精彩内容，欢迎点击关注！

点击这里阅读原文