Репортаж от Wedoany，Группа профессора Пан Цюаньцюаня из Школы материаловедения и инженерии Пекинского университета совместно с Университетом Цинхуа, Национальной лабораторией Лоуренса в Беркли (Lawrence Berkeley National Laboratory), Принстонским университетом (Princeton University) и SESAICorp. внедрила двухэтапную структуру искусственного интеллекта, объединяющую глубокое активное обучение и перенос знаний, для разработки электролитов для литий-металлических аккумуляторов, что позволило быстро отбирать высокоэффективные электролиты и переносить дизайнерские знания между различными сценариями. Соответствующие результаты исследования были опубликованы онлайн 27 марта в журнале Nature Communications.
Литий-металлические аккумуляторы считаются ключевым направлением развития для следующего поколения накопителей энергии и тяговых аккумуляторов благодаря их сверхвысокой теоретической плотности энергии. Однако низкая кулоновская эффективность литий-металлического анода и плохая стабильность интерфейса долгое время сдерживали их масштабное применение. Электролит является ключевым компонентом, регулирующим интерфейс анода и определяющим срок службы аккумулятора. Его разработка сталкивается с огромным дискретным химическим пространством поиска, образованным комбинациями литиевых солей, растворителей, добавок и их концентраций. Традиционная модель разработки методом «проб и ошибок» требует высоких экспериментальных затрат и длительного времени, что затрудняет адаптацию к сложным сценариям, таким как введение новых молекул и расширение многомерных рецептур.
Для решения проблем «большого пространства поиска, прерывистой зависимости свойств и высокого экспериментального шума» при разработке электролитов исследовательская группа создала двухэтапную структуру, объединяющую глубокое активное обучение (Deep Active Learning, DAL) и целевую статистическую кодировку (Target Statistical Coding, TSC). На первом этапе, сфокусированном на пространстве из 720 исходных рецептур электролитов, образованных литиевыми солями, растворителями, добавками и концентрациями, использовалось глубокое ядерное обучение в сочетании с алгоритмом выборки Томпсона для интеллектуального отбора экспериментальных образцов и установления нелинейной связи между рецептурой электролита и сроком службы аккумулятора. На втором этапе, с помощью технологии целевой статистической кодировки, сложные корреляции между компонентами были явно закодированы в повторно используемую и переносимую систему знаний о разработке электролитов, преодолевая ограничения одного пространства рецептур.
Экспериментальные результаты показали, что в пространстве из 720 исходных рецептур, после всего трех итераций глубокого активного обучения и тестирования в общей сложности 128 образцов аккумуляторов, средний срок службы аккумуляторов увеличился с 41,9 цикла на этапе случайного отбора до 125,1 цикла; доля аккумуляторов с коротким сроком службы снизилась с 80,6% до 28,1%, а доля аккумуляторов с длительным сроком службы выросла с 9,7% до 40,6%. Комплексные характеристики пяти отобранных высококачественных электролитов значительно превзошли опубликованные высокоэффективные рецептуры того же типа.
Знания о разработке электролитов были эффективно перенесены между различными сценариями. После расширения исходного пространства из 720 рецептур до более высокомерного кандидатного пространства из 5400 рецептур, средний срок службы пяти лучших рецептур в условиях нулевой выборки достиг 200,6 цикла, что в 1,6 раза превышает оптимальный уровень исходного пространства; в полноячеечной системе литий-металл/NCM811 средняя сохранность емкости после 100 циклов с перенесенным электролитом составила 84,0%, что значительно превосходит 58,2% для исходной рецептуры; при столкновении с новым пространством из 5760 рецептур, созданным путем введения новых молекул, после всего одного раунда экспериментов с 32 образцами средняя сохранность емкости после 150 циклов увеличилась с 24,4% до 56,5%, а сохранность емкости оптимальной рецептуры после 250 циклов все еще составляла 83%.
Данное исследование объединяет глубокое активное обучение и перенос знаний, предлагая новую парадигму интеллектуальной разработки электролитов с малым количеством образцов, высокой эффективностью и возможностью переноса. Исследовательская работа была выполнена совместно Пекинским университетом, Университетом Цинхуа, Национальной лабораторией Лоуренса в Беркли, Принстонским университетом и SESAICorp. Пекинский университет является первым коммуникационным учреждением. Профессор Пан Цюаньцюань из Пекинского университета, доцент Цзян Бэньбэнь из Университета Цинхуа и Сюй Кан из SESAICorp. являются соавторами-корреспондентами, аспирант Пекинского университета 2025 года выпуска Хун Сюйфэн является первым автором, аспирант Университета Цинхуа Ван Сичжэ — соавтором первого автора. Исследовательская работа получила поддержку от Национальной ключевой программы исследований и разработок, Национального фонда естественных наук Китая, Совместного исследовательского фонда Университета Цинхуа и Toyota, Фонда естественных наук Пекина, Национального исследовательского центра информационных наук и технологий Пекина, а также Международного проекта сотрудничества 111 и других фондов.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
