鋰離子電池 (LIB) 是現代社會至關重要的儲能設備。然而,其在能量密度、功率密度、循環壽命、安全性等方面的性能和成本仍然不盡如人意。為了進一步提高電池的性能,傳統的“試錯”過程需要進行大量繁瑣的實驗,計算化學和人工智能 (AI) 可以顯著加快新型電池系統的研發。圖1. 新材料發現方法的發展在此,新加坡南洋理工大學顏清宇、李述周及文勇剛等人總結了用于預測和發現電池材料以及估計電池系統的狀態的機器學習(ML)研究的進展。作者首先簡要介紹ML或AI在電池領域的應用的三種類別(規定性、描述性和預測性);然后總結了關于ML在電池性能預測(電極、電解質、電池狀態)和新材料發現與設計的最新研究,并給出了成功示例。同時概述了在現實場景和集成框架中應用AI/ML的挑戰,包括數據采集稀缺性和成本安全問題等。圖2. 綜述內容總結為了應對這些挑戰,作者建議將不同性質的ML算法(即規定性、描述性和預測性ML/AL)集成到一個統一的框架中,以數字孿生為中心促進電池系統經濟中的先進應用。提議的框架包括三個模塊,即物理系統/場景、數字孿生和人工智能引擎。這三個模塊通過不同的力量(即人工智能能力)相互影響,具有數據豐富、效率和安全部署等優點。圖3. 通過機器學習方法發現和設計電池材料的基本工作流程Machine Learning: An Advanced Platform for Materials Development and State Prediction in Lithium-Ion Batteries, Advanced Materials 2021. DOI: 10.1002/adma.202101474