近日，電子科技大學基礎與前沿研究院教授王斌、特聘研究員劉芯言和光電科學與工程學院程教授建麗提出一種基于機器學習輔助的過渡金屬化合物（TMCs）篩選方法，用于快速發現適用于Li-CO2與Li-Air電池的高效催化劑。相關論文于11月7日發表于《美國化學會志》。
過渡金屬化合物（TMCs）因其豐富的化學組成與可調的電子結構，作為Li-CO2和Li-Air電池的正極催化劑，受到廣泛關注。然而，過渡金屬候選材料數量龐大，傳統的“試錯法”材料設計方法不僅耗時漫長，而且研發周期復雜。
針對這一挑戰，研究團隊提出了一種迭代式機器學習工作流程，以加速高性能Li-CO2電池正極催化劑的發現，并通過實驗驗證了其有效性。該方法在機器學習模型的指導下，通過不斷補充訓練數據集實現模型的自我優化，能夠直接預測催化劑的關鍵性能指標——過電位。
在該體系中，研究人員從15,012種過渡金屬化合物中高效篩選出三種具有代表性的TMC催化劑并成功合成。實驗驗證結果表明，預測模型的平均絕對誤差僅為0.106 V，顯示出優異的預測精度。其中，Co0.1Mo0.9N表現出最優的催化性能，被進一步用于Li-CO2電池和Li-Air電池的機理分析與電化學性能測試。在50 mA g?1電流密度下，Co0.1Mo0.9N在Li-CO2和Li-Air電池中分別實現了僅0.55 V和0.65 V的低過電位。機理分析表明，Co摻雜有效調控了MoN的電子結構，促進了電子轉移，從而顯著提升了催化活性。
該研究為利用機器學習加速新型電池催化劑的篩選與設計提供了新的技術路徑，也為構建更加高效、可持續的電化學能源體系奠定了基礎。
相關論文信息：https://doi.org/10.1021/jacs.5c15395
本文鏈接：迭代式機器學習加速新型電池催化劑開發http://m.sq15.cn/show-11-28690-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
下一篇： 不只是“抗菌劑” 石墨烯的雙重角色被揭示