国产一区二区不卡亚洲涩情,边做边爱边吃奶的视频,国产亚洲婷婷香蕉久久精品

與基于液體電解質的系統相比，固態電池表現出更高的能量密度和安全性。因此，開發能夠以與液體電解質相當的速率傳輸陽離子的固體電解質是一個活躍的研究領域。為了促進這項研究，需要了解控制離子通過晶格傳輸的化學和結構特征。

在此，美國密歇根大學Donald J. Siegel等人采用機器學習（ML）方法識別影響固體電解質中離子遷移率的特征且量化這些特征的相對重要性，并演示了單個特征的變化如何改變離子遷移率。作者采用反鈣鈦礦（AP）晶體結構作為模型系統，并從包含使用DFT計算的600多個勢壘的數據集中訓練的幾種ML算法來預測離子遷移勢壘。

訓練集源自36種堿金屬鹵化物反鈣鈦礦，包括空位和間隙遷移機制。通過識別并消除高度相關（即冗余）的特征，從而最大限度地簡化模型并最小化過擬合。通過使用最準確的算法，作者識別出產生最準確預測的特征組合。最后，使用雜質平均減少量（MDI）和個體條件期望（ICE）圖對特征的相對重要性及其對離子傳輸的影響進行量化。

圖1. 識別影響反鈣鈦礦固體電解質中離子遷移勢壘特征的ML流程

結果分析表明，跳躍距離和通道寬度等晶格特性對陽離子遷移率的影響最大。這些特征占空位遷移總特征重要性的70%，占間隙遷移重要性的50%。對這些特征進行的個別條件期望分析表明，勢壘隨著跳躍距離的減小和通道寬度的增加而減小。此外，其他顯著特征包括陰離子極化率（空位遷移的22%）和缺陷形成能（間隙遷移的35%）。值得注意且出乎意料的是，間隙形成能的識別是一個顯著的特征，因為眾所周知該特征可以控制缺陷的濃度，但其并未被廣泛認為是影響遷移率的特征。

總之，這種特征重要性分析通過將多維設計空間減少到最具影響力的特性子集，促進了高效固體電解質的設計。另一個好處是，許多已識別的特征是基本屬性且易于評估，從而進一步簡化固體電解質發現過程。

圖2. 遷移勢壘的ML預測與DFT計算的比較

Machine learning reveals factors that control ion mobility in anti-perovskite solid electrolytes, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA03613D

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/08/13f0ec1843/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

?JMCA: 機器學習揭示控制固體電解質中離子遷移率的因素

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

?JMCA: 機器學習揭示控制固體電解質中離子遷移率的因素

相關推薦