Advanced Materials:机器学习助力锂离子电池材料开发与状态预测

锂离子电池是当下最重要的储能设备。但在能量密度、功率密度、循环寿命、安全性、性能和成本等方面仍不令人满意。传统的试错过程需要大量繁琐的实验,使得研发效率较低。计算化学和人工智能(Artifcial intelligence, AI)可以显著加快新型电池系统的研究和开发,通过学习文献、数据库中积累下来的相关数据,建立高效的机器学习模型来进行电极材料的开发与性能预测,从而大幅提高材料的筛选效率并发现可靠的新材料。此外,机器学习在电池运行状态预测的方面也已取得较大进展,可有效预测电池的SOC、SOH、RUL等参数。基于学习的统计模型,尤其是具有无数可调节参数的深度学习需要大量的训练数据;然而,目前的锂离子电池体系因成本、耗时、安全性等因素,无法提供足量数据以保证实际应用过程中的模型准确性。

新加坡南洋理工颜清宇团队,文勇刚团队和李述周团队综述了人工智能技术——机器学习(Machine learning, ML)在对电解质和电极材料的性能预测、电池材料开发和电池状态的预测等方面的研究进展。着重介绍了ML在锂离子电池领域成功应用的例子和所采用相应模型的优缺点。最后,该文提出了机器学习在可充电锂离子电池进一步发展所面临的各种挑战和解决这些挑战的可行方案。

图1. ML的优势及在锂离子电池领域的应用

作者们首先根据人工智能的能力提出了ML算法的另一种分类,即:描述性AI,预测性AI和指定性AI。论文着重总结了不同ML算法在电池材料的预测与开发,以及状态预测方面的应用实例。并介绍了ML在不同应用场景中的基本工作流程,所采用相应模型的优缺点。虽然人工智能或ML被大家期望来推进和改革锂离子电池领域,但将人工智能/ML算法实际部署到真实场景仍然面临巨大挑战。基于学习的方法可以从训练数据集中提取出复杂的非线性模式,并将元数据转换为统计模型。在最广为接受的监督学习模型中,它需要一个两阶段的过程,即训练和推理。然而,在包含物理系统的实际应用程序中,这个过程面临两个固有的挑战,即数据稀缺性和成本安全问题。对此,作者们提出新型数字孪生模型结合ML算法的统一技术框架来解决ML算法当中固有的“数据稀缺”和工业界常有的“避险心态”的挑战。通过工业级数字孪生来产生多样性的数据与ML算法交互,提高训练效率、加强模型性能。同时,由于ML算法的不确定性,尤其产生出来的策略/推荐值又可以同数字孪生来进行前期验证,在保证安全的情况下,再应用到物理系统当中,为ML算法在工业场景当中的实际应用和落地提供了新的思路。

论文信息:

Machine Learning: An Advanced Platform for Materials Development and State Prediction in Lithium-Ion Batteries

Chade Lv, Xin Zhou, Lixiang Zhong, Chunshuang Yan, Madhavi Srinivasan, Zhiwei Seh, Chuntai Liu, Hongge Pan, Shuzhou Li*, Yonggang Wen*, Qingyu Yan*

Advanced Materials

DOI:10.1002/adma.202101474

原文链接:https://doi.org/10.1002/adma.202101474