返回
Artificial intelligence-driven paradigms for layered cathode materials: A systematic framework for multi-scale engineering
DOI:10.1016/j.nanoen.2026.111978.png)
摘要
En 中文
层状正极材料,以锂/钠基层状氧化物为例,因其高能量密度和优异的离子传输特性而处于电池研究的前沿。然而,其设计与性能优化面临多尺度挑战。在原子尺度上,存在阳离子混合和无序的氧氧化还原行为问题;在晶体尺度上,相变和应力分布构成显著障碍;而在颗粒尺度上,裂纹演化和界面稳定性仍是关键问题。传统的试错方法效率低下,尤其是在处理这些系统中固有的复杂跨尺度耦合时。人工智能(AI)的兴起为材料设计引入了变革性范式。通过协同整合数据驱动方法与基础物理模型,AI实现了跨尺度优化,从原子缺陷工程到宏观性能预测。AI在高效筛选、晶体结构预测和动态过程分析中的应用显著加速了先进材料的发现与发展。然而,仍存在关键挑战,包括确保数据质量和代表性、增强模型可解释性以及弥合计算预测与实验验证之间的差距。本文建立了一个系统框架,用于评估层状正极材料背景下AI驱动的范式,提供了一个从原子级发现到电极级优化的多尺度视角,从而突显了AI在克服性能瓶颈和推动下一代电池技术进步方面的创新潜力。
Keyword:
Layered cathode materials
Artificial intelligence
Material screening
Battery performance optimization
期刊
IF:
17.1
论文数:
1.2W
被引数:
13.0W
机构
引用论文
Cloud-based in-situ battery life prediction and classification using machine learning
ENERGY STORAGE MATERIALS
IF20.2
Perspective: Materials informatics and big data: Realization of the fourth paradigm of science in materials science透视: 材料信息学与大数据: 第四科学范式在材料科学中的实现
APL MATERIALS
IF4.5
Role of alumina coating on Li-Ni-Co-Mn-O particles as positive electrode material for lithium-ion batteries锂离子电池正极材料li-ni-co-mn-o颗粒上氧化铝涂层的作用
Rational electrolyte design for Li-metal batteries operated under extreme conditions: a combined DFT, COSMO-RS, and machine learning study在极端条件下运行的锂金属电池的合理电解质设计: DFT,cosmo-rs和机器学习的组合研究
New Insight into Bulk Structural Degradation of High-Voltage LiCoO2 at 4.55 V对4.55 V高压LiCoO2的整体结构降解的新见解
NANO LETTERS
IF9.1
A Bayesian optimized machine learning approach for accurate state of charge estimation of lithium ion batteries used for electric vehicle application一种贝叶斯优化的机器学习方法,用于准确估计用于电动汽车的锂离子电池的荷电状态
Approaching the capacity limit of lithium cobalt oxide in lithium ion batteries via lanthanum and aluminium doping通过镧和铝掺杂接近锂离子电池中锂钴氧化物的容量极限
NATURE ENERGY
IF60.1

