隨著現(xiàn)代計(jì)算機(jī)計(jì)算能力的提高、數(shù)學(xué)算法的快速發(fā)展及材料數(shù)據(jù)庫的不斷建立，人工智能（AI）在化學(xué)領(lǐng)域展現(xiàn)出巨大的潛力。機(jī)器學(xué)習(xí)（ML）作為AI最重要的分支之一，在加速液流電池（FBs）關(guān)鍵材料的發(fā)現(xiàn)和設(shè)計(jì)及FB系統(tǒng)的優(yōu)化方面發(fā)揮著重要作用。

在此，中科院大連化物所李先鋒研究員、張長(zhǎng)昆研究員等人總結(jié)了FB領(lǐng)域應(yīng)用ML的最新進(jìn)展。首先，作者提供了對(duì)ML工作流程的基本理解：第一步是數(shù)據(jù)集構(gòu)建，為ML應(yīng)用收集足夠的數(shù)據(jù)樣本。第二步是特征工程，基于原始數(shù)據(jù)通過數(shù)學(xué)表示創(chuàng)建新的特征。隨后，將數(shù)據(jù)隨機(jī)劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，利用ML算法在訓(xùn)練數(shù)據(jù)集的特征和目標(biāo)函數(shù)之間建立模型。

接下來，對(duì)算法的參數(shù)進(jìn)行調(diào)整以優(yōu)化模型，然后通過測(cè)試數(shù)據(jù)集評(píng)估模型的準(zhǔn)確性。最后，經(jīng)過驗(yàn)證的模型可用于預(yù)測(cè)未知數(shù)據(jù)的屬性。此外，作者總結(jié)了最先進(jìn)的ML算法在有機(jī)液流電池（OFB）和釩基液流電池（VFB）系統(tǒng)中的成功應(yīng)用，還包括基于高通量計(jì)算模擬的FBs有機(jī)氧化還原活性分子的物理和電化學(xué)性質(zhì)的預(yù)測(cè)。

圖1. ML的一般應(yīng)用工作流程

最后，作者對(duì)ML在FBs中應(yīng)用的主要局限性和未來研究方向進(jìn)行了展望：

（1）相關(guān)數(shù)據(jù)庫和算法的構(gòu)建和共享。擁有足夠數(shù)據(jù)量和可靠數(shù)據(jù)的數(shù)據(jù)庫是ML在FB中應(yīng)用的第一個(gè)關(guān)鍵步驟，如何更有效地共享數(shù)據(jù)是另一個(gè)挑戰(zhàn)；

（2）提高堆棧性能和降低系統(tǒng)成本。ML已應(yīng)用于連接VFB的堆棧性能和系統(tǒng)成本，還可為其他FB構(gòu)建性能成本模型。此外，可更多關(guān)注時(shí)間序列預(yù)測(cè)方法的結(jié)合；

（3）監(jiān)測(cè)系統(tǒng)運(yùn)行參數(shù)及對(duì)參數(shù)進(jìn)一步預(yù)測(cè)。ML可根據(jù)FB系統(tǒng)產(chǎn)生的海量運(yùn)行數(shù)據(jù)預(yù)測(cè)運(yùn)行參數(shù)，進(jìn)而指導(dǎo)系統(tǒng)運(yùn)行。此外，通過在運(yùn)行參數(shù)和性能之間建立模型，ML可用于優(yōu)化 FB 系統(tǒng)的總體成本；

（4）提高M(jìn)L模型的可解釋性。這可為理解原始設(shè)計(jì)的機(jī)理和規(guī)律、發(fā)現(xiàn)能源材料、指導(dǎo)堆棧和系統(tǒng)的優(yōu)化提供啟發(fā)，如何建立一個(gè)機(jī)制清晰、可理解的模型將是未來的一個(gè)重要研究方向。

圖2. 面向FBs的ML未來研究展望

Machine learning for flow batteries: opportunities and challenges, Chemical Science 2022. DOI: 10.1039/D2SC00291D