01

成果简介

机器学习以其极强的数据处理能力，在材料研究范式的革命中展现出了巨大的潜力，成为了材料信息学中的重要手段，全面加速了新材料从基础设计到工程应用的研发进程。近日，武汉理工大学沈忠慧特聘研究员和清华大学南策文院士等聚焦机器学习在储能材料中的前沿应用，以介电电容器和锂离子电池为例，综述了机器学习在材料全生命周期研发中的不同作用。如图1所示，机器学习广泛应用于包含材料组分筛选-工艺优化-结构设计-性能调控-服役评估等环节的全生命周期研发中，极大缩短了研发周期、提高了研发效率，推动了一系列创新发展。首先，本文对材料科学中的机器学习框架进行了系统的讨论。随后，分别从发现和设计新材料、丰富理论模拟、辅助实验制备和表征三个方面总结了机器学习的相关应用。最后，简要展望了机器学习在材料科学中的几点机遇和挑战。该工作近期以“MachineLearninginEnergyStorageMaterials”为题发表在InterdisciplinaryMaterials期刊上。

本文由武汉理工大学、清华大学和美国威斯康星大学麦迪逊分校、宾州州立大学等单位共同完成，武汉理工大学沈忠慧特聘研究员为该文的第一作者，共同通讯作者为武汉理工大学沈忠慧特聘研究员和清华大学南策文院士。

02

图文摘要

图1机器学习应用于储能材料研究的全生命周期中

图2(a)常见电能存储技术的功率密度和能量密度对比图

(b)介电电容器充电过程示意图(c)锂离子电池放电过程示意图

图3常见机器学习模型的工作流程，包括目标、数据、特征、算法、评估和应用六个步骤

图4(a)聚合物介电常数的机器学习预测流程(b)不同频率下聚合物介电常数和玻璃化转变温度Tg的机器学习预测结果(c)预测筛选的10种高Tg聚合物(d)钙钛矿本征击穿场强的机器学习预测

图5(a)复合电介质材料击穿场强的机器学习框架(b)相场模拟与机器学习预测的击穿场强对比图

图6(a)分层聚类方法生成的含锂化合物及其电导率(b)新型固态聚合物电解质性能预测的机器学习流程

图7粗粒化分子动力学-贝叶斯优化框架

图8聚合物纳米复合材料高通量计算-机器学习-定向实验的研发流程

图9“电动汽车-电池-材料”多尺度机械安全性的机器学习预测模型

图10双闭环反馈的机器学习模型指导陶瓷电介质材料的实验设计

图11(a)具有模式识别和分类功能的人工智能原子力显微镜原理示意图

(b)机器学习辅助分割结果与常规纳米层析成像表征结果对比

03

团队介绍

沈忠慧特聘研究员依托武汉理工大学材料基因工程研究中心和智能材料与器件研究中心，开展以计算模拟和数据驱动为核心手段的新型功能材料研发与设计，聚焦非均质材料的显微结构与宏观性能（电、力和热等）的内在关联，致力于以人工智能等方法实现新型功能材料的智能设计。

课题组目前主要研究方向包括功能材料跨尺度计算模拟、机器学习和材料全生命周期数据库等，欢迎感兴趣的研究生加入团队（邮箱：zhshen

04

文章信息

ShenZH,LiuHX,ShenY,etal.Machinelearninginenergystoragematerials[J].InterdisciplinaryMaterials,.

转载请注明:http://www.aideyishus.com/lktp/147.html