DFT+机器学习：人工智能驱动发现新型锂电有机正极，理论能量密度超过1000 Wh kg-1！

有机电极材料 (OEM) 将关键的可持续性和多功能性与实现下一代真正绿色电池技术的潜力相结合。然而，要使OEM成为具有竞争力的替代品，需要克服与能量密度、倍率能力和循环稳定性相关的挑战性问题。

在此，瑞典乌普萨拉大学C. MoysesAraujo等人开发了一种结合DFT和机器学习（ML）的工作流程以加速新型OEM的发现。该工作流程包括四个主要步骤：

(i) 使用进化算法对OEM进行第一性原理晶体结构预测，并在电池循环过程中嵌入离子和电子后进行相应的结构改性；

(ii) 开发有机能源材料数据库，通过高级DFT计算评估的关键分子特性；

(iii) 结合两个ML（神经和线性）模型来设计人工智能（AI）内核，以快速访问更大的有机化合物化学空间；

(iv) 在寻找新的有机正极候选物时对2000万个分子进行高通量筛选。

图1. AI内核操作原理示意图

作者基于电压和容量筛选了1001个正极和1500个候选负极，对这些分子的详细分析揭示了一些关键特征与获得正负极的相关性，例如原子种类和构成分子的环结构的数量。

此后，对2501个选定的分子进行了DFT计算以改进正极选择并进行基准测试，最终发现了DFT筛选后的459个有希望的分子。基于AI的方法可以加快锂离子电池新活性材料的发现过程，并成为挖掘巨大有机材料领域的革命性工具。

最后，提出了一系列新型高压正极作为下一代有机电池的有希望候选者，其中一些化合物具有表现出高于1000 Wh kg^-1理论能量密度的潜力。

图2. AI内核预测的分布与基于DFT的值之间的接近程度

Artificial intelligence driven in-silico discovery of novel organic lithium-ion battery cathodes, Energy Storage Materials 2021. DOI: 10.1016/j.ensm.2021.10.029

华算科技推出了【机器学习+材料】零基础课程，针对零编程基础的化学、材料学工作者，先扎实学习当下最流行、与机器学习契合度最高的Python语言，再学习机器学习的基本算法，并对文献案例进行重现。课程包含大量实际操作内容，掌握编程神器Python与黑科技机器学习不再遥不可及。

 点击阅读原文，提交计算需求！