利用机器学习寻找有前景的钠离子电池成分
储能是许多快速发展的可持续技术的重要组成部分，包括电动汽车和可再生能源发电。尽管锂离子电池 (LIB) 占据了当前市场的主导地位，但锂是一种相对稀缺且昂贵的元素，给经济和供应稳定性带来了挑战。因此，世界各地的研究人员都在试验由更丰富的材料制成的新型电池。钠离子 (Na-ion) 电池以钠离子为能量载体，由于钠储量丰富、安全性更高、成本更低，有望成为 LIB 的替代品。尤其是含钠过渡金属层状氧化物 (NaMeO 2 )，它是钠离子电池正极的强力材料，具有出色的能量密度和容量。
然而，对于由多种过渡金属组成的多元素层状氧化物，由于可能的组合数量众多，寻找最佳组成既复杂又耗时。过渡金属的选择和比例即使发生微小变化，也会导致晶体形态发生显著变化，从而影响电池性能。
现在，在最近的一项研究中，由 Shinichi Komaba 教授领导的研究团队，以及日本东京理科大学 (TUS) 和查尔姆斯理工大学的 Saaya Sekine 女士和 Tomooki Hosaka 博士，以及名古屋工业大学的 Masanobu Nakayama 教授，利用机器学习来简化寻找有前途的合成物的过程。他们的研究结果在线发表在《材料化学 A 杂志》上。
该团队试图自动筛选各种 NaMeO 2 O 3型材料中的元素组成。为此，他们首先建立了一个数据库，其中包含 100 个 O 3型钠半电池样本，这些样本具有 68 种不同的成分，这些样本是由 Komaba 团队在 11 年的时间里收集的。
“该数据库包括 NaMeO 2样品的成分，其中 Me 是过渡金属，如 Mn、Ti、Zn、Ni、Zn、Fe 和 Sn 等，以及充电放电测试的上限和下限电压、初始放电容量、平均放电电压和 20 次循环后的容量保持率，”Komaba 解释道。
研究人员随后利用该数据库训练了一个模型，该模型结合了多种机器学习算法以及贝叶斯优化，以进行高效搜索。该模型的目标是了解工作电压、容量保持率（寿命）和能量密度等特性与 NaMeO 2层状氧化物的成分之间的关系，并预测实现这些特性之间理想平衡所需的最佳元素比例。
研究团队分析结果后发现，该模型预测 NaO 2是实现最高能量密度的最佳成分，而能量密度是电极材料中最重要的特性之一。为了验证模型预测的准确性，他们合成了这种成分的样品，并组装了标准纽扣电池进行充放电测试。
测量值大部分与预测值一致，凸显了该模型的准确性及其探索新电池材料的潜力。
Komaba 评论道：“我们研究中建立的方法提供了一种有效的方法，可以从广泛的潜在候选物中识别出有前途的成分。此外，这种方法可以扩展到更复杂的材料系统，例如五元过渡金属氧化物。”
使用机器学习来识别有前景的研究途径是材料科学领域的一个日益增长的趋势，因为它可以帮助科学家大大减少筛选新材料所需的实验次数和时间。本研究提出的策略可以加速下一代电池的开发，而下一代电池有可能彻底改变整个储能技术。
这不仅包括可再生能源发电和电动或混合动力汽车，还包括笔记本电脑和智能手机等消费电子产品。此外，机器学习在电池研究中的成功应用可以作为其他领域材料开发的模板，有可能加速整个材料科学领域的创新。
“通过使用机器学习，可以减少实验次数，这使我们距离加快材料开发速度和降低成本又近了一步。此外，随着钠离子电池电极材料性能的不断提高，预计未来将以更低的成本提供高容量和长寿命的电池，”Komaba 总结道。
页:
[1]