.png){kind=icon}
返回
Interpretable Machine Learning for Solid-State Batteries
.png){kind=icon}
PRE
AI
DOI：10.1021/acsnano.5c21738.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
固态电池 (ssb) 由于其高能量密度和增强的安全性而成为下一代能量存储系统的有希望的候选者。近年来，机器学习 (ML) 已成为电池研究中的变革性工具，可加速新材料的发现并预测循环寿命。然而，ML的广泛应用受到许多模型的 “黑箱” 性质的阻碍，这限制了它们的可解释性和科学可信度。我们提出了一个结构化的框架，用于在SSB研究中使用ML，包括五个部分 :( i) 固体电解质设计，(ii) 材料表征，(iii) 电极/电解质界面优化，(iv) 电池寿命预测和 (v) 枝晶抑制。对于每个组件，我们确定其特定要求，并推荐适当的方法来开发可解释的ML。最后，我们总结了当前的挑战，并提出了相应的建议以及旨在从 “黑箱” 预测过渡到机制驱动设计的开源工具链，这将加速高性能ssb的开发。
Keyword:
solid-state battery
interpretable machine learning
feature importance
counterfactual analysis
causal inference
期刊
IF:
16
论文数:
2.7W
被引数:
25.6W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Deep Neural Network Enhanced Mesoscopic Thermodynamic Model for Unlocking the Electrode/Electrolyte Interface用于解锁电极/电解质界面的深度神经网络增强介观热力学模型
OAAI
OAAI分享收藏Machine Learning-Enabled Microstructure Design of Solid-State Battery Cathodes基于机器学习的固态电池阴极微结构设计
PREAI
分享收藏Ion Hopping: Design Principles for Strategies to Improve Ionic Conductivity for Inorganic Solid Electrolytes离子跳跃: 提高无机固体电解质离子电导率策略的设计原则SMALLOAAI
SMALLIF12.1
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Ab initio study of the stabilities of and mechanism of superionic transport in lithium-rich antiperovskites从头开始研究富锂反钙钛矿中超离子传输的稳定性和机理PHYSICAL REVIEW BOAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Machine-learning assisted high-throughput discovery of solid-state electrolytes for Li-ion batteries机器学习辅助的锂离子电池固态电解质的高通量发现
PREAI
分享收藏
查看更多内容