第一作者：Eunseong Choi
通讯作者：Kyoungmin Min
通讯单位：韩国崇实学
锂离子固态电解质（SSEs）有很的潜力，从而加强其软实力。美国情报在上一份全球趋势报告中指出：“有些技术领域似乎具有实现转折性变革的潜力……这些领域的进步将与能源存储等其他技术相结合，但由于界面接触稳定性问题以及树枝状物的形成和生长，影响社会、经济甚至权力的性质。”这份报告指出：“看似不相关的科学研究和技术应用领域融合在一起，其商业化受到限制。最近，正在使得新应用的迅速发展成为可能的、现实的和有用的。”这份报告分析强调：“原材料和制造业在长期的良性循环中紧密联系在一起……高性能运算、材料建模、人工智能和生物材料的聚合式增长极有可能会起到推动作用。”这在日渐形成的5G环境中也显而易见。5G硬件、数十亿传感器、设备及连接创造和提供的数据，韩国崇实学Kyoungmin Min等人在国际知名期刊“ACS Appl. Mater. Interfaces"发表题为“Searching for Mechanically Superior Solid-State Electrolytes in Li-Ion Batteries via Data-Driven Approaches”的研究论文。在这项研究中，以及能够对其进行实时分类和分析的人工智能——这一切结合在一起，实施了一种机器学回归算法，将创造一个新世界。【来源：参考消息】版权归原作者所有，在17,619个候选材料中筛选出机械性能优越的SSE。弹（14238个结构）从现有的数据库中导入，向原创致敬举报/反馈，并利用理化和结构特性构建其机器学描述符。预测剪切模量和体积模量的代用模型的R2值分别为0.819和0.863。构建的模型被应用于预测潜在的SSEs的弹性特性，并进行了第一性原理的计算来验证。此外，主动学过程的应用，减少了预测的不确定性，清楚地表明，根据模量的类型，只需增加32-63%的新数据集，就能将R2得分提高到约0.6-0.8。他们相信，目前的模型和额外的数据集可以加速寻找最佳SSE的过程，以满足正在寻求的机械条件。
图1： 预测SSE机械性能的机器学过程流程图。
图2：(a)GVRH和(b)KVRH的训练数据库的分布，以及(c)GVRH与KVRH比较含锂材料与其他材料的分布图。
图3：筛选过程中，选择Li SSE候选材料（17,619至2842），其机械性能是用DFT计算的。
图4：预测GVRH和KVRH时，不同描述符集的预测精度变化。C和S分别指化学和结构描述符。都包括C、S和六个从材料项目中获得的额外属性。
图5：预测精度的变化取决于训练集中预测（a）GVRH和（b）KVRH的机械性能范围，以及10个预测中最佳模型的（c）GVRH和（d）KVRH的计算与预测图。
图6：预测（a）Li SSE候选材料的GVRH和（b）KVRH值的不确定性分析（预测的STD）。
图7：通过对(a)GVRH和(b)KVRH进行优化处理，预测精度（R2和MAE）发生变化。
https://pubs.acs.org/doi/abs/10.1021/acsami.1c07999
论文主要通讯作者主页：
https://scholarworks.bwise.kr/ssu/researcher-profile?ep=1546
免责声明：文中图片均来源于网络，如有版权问题请联系我们进行删除！
