近日,上海交通大學電子信息與電氣工程學院李金金團隊在國際頂級能源期刊Energy Storage Materials上(IF=16.28)發表最新研究成果,該研究利用機器學習方法快速準確預測鋰多硫化物的吸附效應,助力鋰硫電池正極載體材料的篩選和發現。
基於人工智慧方法抑制鋰硫電池穿梭效應示意圖
鋰硫電池在充放電過程中產生的鋰多硫化物,極易通過電解液穿梭到鋰金屬負極,與其進行反應,造成快速的容量衰減和低的庫倫效應,嚴重製約著鋰硫電池的進一步發展和應用。如何通過正極載體材料有效的錨固住鋰多硫化物,進而改善鋰硫電池的循環性能,是當前亟待解決的問題。
DFT計算和ML預測的吸附能,插圖為誤差分布直方圖
(a, c, e, 從頭訓練方法,誤差約為0.24 eV; b, d, f, 遷移學習方法,誤差約為0.1 eV )
李金金團隊通過密度泛函理論(DFT)計算,構建了數千個MoSe2與鋰多硫化物的吸附能資料庫,通過機器學習對鋰多硫化物不同空間構型和不同吸附位點的吸附能做出快速、準確的預測。與DFT相比,吸附能的平均絕對誤差僅約為0.1 eV,但預測速度快近百萬倍,這樣使得考察鋰多硫化物在電池循環過程中的遷移和轉化成為可能。為了進一步降低DFT帶來的計算成本,該團隊首次在吸附效應中引入遷移學習算法,僅僅利用較小的WSe2與多硫化物的資料庫,即可達到相同的預測精度。該研究成果開拓了遷移學習在複雜材料體系中的應用,證明了遷移學習可以跨越材料性質數據稀缺的障礙。這對於研究不同的二維正極材料與鋰多硫化物的吸附作用,提供了一個通用的預測模型,具有直接的指導意義。
a 兩種鋰多硫化物空間構型 b, c 四種吸附位點
上海交通大學電子信息與電氣工程學院為第一通訊單位。微納電子學系2018級碩士生張海闊和2019級博士生汪志龍為本論文的共同第一作者,微納電子學系李金金特別研究員和安徽師範大學劉金雲教授為共同通訊作者。該研究工作得到了國家自然科學基金、上海交通大學等的支持。
論文連結:https://www.sciencedirect.com/science/article/pii/S2405829720304219