1.Machine Learnable Language for the Chemical Space of Nanopores Enables Structure−Property Relationships in Nanoporous 2D Materials
纳米孔二维(2D)材料的合成已经在膜分离、DNA测序和渗透发电等领域引发了革命性进展。二维材料中的纳米孔显著调控了其光电、磁性和屏障性能。然而，大量可能的纳米孔异构体使得研究变得繁琐，同时缺乏可用于机器学习的表征形式，阻碍了结构-性能关系的研究进展。在此，作者开发了一种用于二维材料中纳米孔的语言，称为纳米孔几何的字符串表示（STring Representation Of Nanopore Geometry, STRONG），开启了二维纳米孔信息学的研究领域。作者展示了STRONG非常适合通过循环神经网络进行机器学习，能够预测任意纳米孔的形成能/形成时间以及CO₂、N₂和O₂气体分子的传输势垒，从而实现结构-性能关系的建立。这些机器学习模型能够发现具有高选择性比的特定纳米孔拓扑结构，以分离CO₂/N₂、O₂/CO₂和O₂/N₂气体混合物。作者还通过STRONG实现了功能化纳米孔在二维材料中唯一稳定构型的快速枚举，从而能够系统性地搜索庞大的纳米孔化学空间。利用STRONG方法，作者发现氢和醌混合功能化在石墨烯中形成了最稳定的功能化纳米孔配置，这一发现得益于加速的化学空间探索。此外，作者还揭示了STRONG方法在区分纳米孔形状方面比图论算法快约1000倍。二维纳米孔的语言表征方面的这些进展将加速纳米多孔材料的定制化设计。
源码链接：
https://github.com/agrgroup/STRONG
2.Interpretable Learning of Accelerated Aging in Lithium Metal Batteries
具有高能量密度的锂金属电池（LMBs）被认为是实现长续航电动交通最有前景的候选者。然而，快速的容量衰减和安全隐患阻碍了LMBs的实际应用，其中复杂交织的退化模式仍然是高效电池设计与工程的主要挑战。在此，作者提出了一个可解释的框架，用于学习LMBs的加速老化，该框架包含了79个电池，覆盖了不同的电池化学成分和电池参数的全面数据空间。仅利用前10个循环的数据，该框架能够准确预测老化开始加速的拐点。依靠框架的可解释性，作者进一步阐明了最后10%深度放电对LMBs老化速率的关键作用，并提出了一个基于早期循环电化学数据的通用描述符，用于电解液的快速评估。机器学习的洞见还促使设计了一种双截止放电协议，有效地将LMBs的循环寿命延长了最多2.8倍。
