.png){kind=icon}
返回
Data-Driven Composition-Only Machine Learning for High-Performance Solid-State Electrolytes
.png){kind=icon}
PRE
AI
DOI：10.1039/D5QM00438A.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为储能技术的关键进展，全固态电池代表了下一代锂离子电池的变革性方向。为应对固态电解质（SSEs）离子电导率低的严峻挑战，我们提出了一种基于机器学习的筛选流程，以寻找高离子电导率的SSE。利用锂离子SSEs的实验数据库，我们仅使用元素组成和温度参数训练了五种集成提升模型。CatBoost算法脱颖而出，成为最优预测器，在离子电导率估算中表现出卓越的准确性。通过实施该模型，我们系统地筛选了来自Materials Project数据库的3,311种锂基材料，识别出22种预测离子电导率超过1 mS/cm的有前景候选物。特别是，Li8SeN2的预测电导率（2.72 mS/cm）与AIMD测量值（2.85 mS/cm）高度一致。这种数据驱动的方法加速了SSE的发现，同时为结构-性能关系提供了基础见解，为下一代电解质开发建立了稳健的框架。
Keyword:
all-solid-state batteries
solid-state electrolytes
ionic conductivity
machine learning
materials screening
期刊
IF:
6.4
论文数:
3.2K
被引数:
1.5W
机构
暂无机构信息
引用论文
Fundamentals of inorganic solid-state electrolytes for batteries电池用无机固态电解质基础.png)
NATURE MATERIALS
NATURE MATERIALSIF38.5
PREAI
分享收藏Mechanochemical synthesis of Li-argyrodite Li6PS5X (X = Cl, Br, I) as sulfur-based solid electrolytes for all solid state batteries applicationLi-argyrodite Li6PS5X (X = Cl，Br，I) 的机械化学合成作为全固态电池应用的硫基固体电解质SOLID STATE IONICS
SOLID STATE IONICSIF3.3
PREAI
分享收藏Effects of Different Doping Strategies on Cubic Li7La3Zr2O12 Solid-State Li-Ion Battery Electrolytes不同掺杂策略对立方Li7La3Zr2O12固态锂离子电池电解质的影响
OAAI
OAAI分享收藏Large-Scale Screening for High Conductivity Ionic Liquids via Machine Learning Algorithm Utilizing Graph Neural Network-Based Features基于图神经网络特征利用机器学习算法对高电导率离子液体进行大规模筛选
PREAI
分享收藏分享收藏Computation-Accelerated Design of Materials and Interfaces for All-Solid-State Lithium-Ion Batteries全固态锂离子电池材料和界面的计算加速设计JOULE
OAAI
JOULEIF35.4
OAAI分享收藏Ab initiomolecular-dynamics simulation of the liquid-metal–amorphous-semiconductor transition in germanium 从头算 锗中液态-金属-非晶-半导体跃迁的分子动力学模拟
PREAI
分享收藏
查看更多内容