研究论文
Zhilong Wang, Yanqiang Han, Junfei Cai, An Chen, Jinjin Li. An end-to-end artificial intelligence platform enables real-time assessment of superionic conductors. SmartMat. 2023; 4:e1183.
https://doi.org/10.1002/smm2.1183
识别二维码或点击左下角“阅读原文”访问全文
1
文章简介
具有低离子迁移活化能(Ea)的超离子导体(SCs)对电化学储能装置(如固态电池和燃料电池)的性能至关重要。然而，从实验和理论上获得Ea都具有挑战性，人工智能(AI)方法有望在预测Ea方面带来突破。在此，我们提出了一个AI-IMAE平台，用于预测Li+、Na +、Ag+、Al3+、Mg2+、Zn2+、Cu(2)+、F−和O2−阳离子和阴离子导体的Ea，其速度比传统方法快~10^5倍。提出的AI-IMAE基于晶体图神经网络模型，整体平均绝对误差为0.19 eV，中位数绝对误差为0.09 eV, Pearson系数为0.92。利用AI-IMAE，我们从144,595种无机化合物中迅速发现了316种有前途的SC作为固态电解质和129种SC作为正极材料。AI-IMAE有望彻底解决Ea预测耗时的挑战，并以优异的性能为SC的大规模研究开辟新的道路。随着越来越多的实验和高精度理论数据的出现，AI-IMAE可以训练定制模型，并通过迁移学习将现有模型迁移到新的模型，不断满足更多的需求。
2
图文导读
3
作者简介
李金金，研究员，上海交通大学电子信息与电气工程学院，博士生导师。其在美国期间主持多个美国国家能源部项目，并参与多项重大科研计划。回国后主持国家自然基金面上项目、国际合作重点专项、教育部联合基金、军委科技委国防科技创新等多项研究。主要研究方向：(1)纳米/微米材料的第一性原理计算和机器学习结构/特性预测；(2)纳米储能材料的制备和结构设计：高性能锂电池结构设计/自修复锂电池技术；(3)多晶型结构预测和可控的晶体生长形貌预测。
点击“阅读原文”浏览在线文章
