AI-Driven Discovery of High Performance Polymer Electrodes for Next-Generation Batteries

要約

電池での遷移グループ金属の使用には、リチウム、コバルト、ニッケルなどの重要な要素を広範囲に使用する必要があります。
これらの金属を酸化還元活性のある有機材料に置き換えると、有望な代替品が提供され、それによりバッテリーの二酸化炭素排出量が1桁減少します。
ただし、このアプローチは、適切な酸化還元活性のある有機材料の限られた利用可能性や、電子伝導率の低下、電圧、比容量、長期の安定性などの問題など、重大な障害に直面しています。
低電圧と特定の容量の制限を克服するために、機械学習（ML）駆動型のバッテリー情報フレームワークが開発および実装されています。
このフレームワークは、広範なバッテリーデータセットと高度なMLテクニックを利用して、酸化還元活性オーガニック材料の識別、最適化、設計を加速および強化します。
この寄与では、さまざまな有機負電極と電荷キャリア（正の電極材料）の組み合わせについて、バッテリー特性、電圧、および特異的容量を予測できるデータ融合ML結合メタ学習モデルを提示します。
MLモデルは、実験を加速し、バッテリー材料の逆設計を促進し、3つの広範な材料ライブラリの適切な候補を特定して、持続可能なエネルギー貯蔵技術を促進します。

要約(オリジナル)

The use of transition group metals in electric batteries requires extensive usage of critical elements like lithium, cobalt and nickel, which poses significant environmental challenges. Replacing these metals with redox-active organic materials offers a promising alternative, thereby reducing the carbon footprint of batteries by one order of magnitude. However, this approach faces critical obstacles, including the limited availability of suitable redox-active organic materials and issues such as lower electronic conductivity, voltage, specific capacity, and long-term stability. To overcome the limitations for lower voltage and specific capacity, a machine learning (ML) driven battery informatics framework is developed and implemented. This framework utilizes an extensive battery dataset and advanced ML techniques to accelerate and enhance the identification, optimization, and design of redox-active organic materials. In this contribution, a data-fusion ML coupled meta learning model capable of predicting the battery properties, voltage and specific capacity, for various organic negative electrodes and charge carriers (positive electrode materials) combinations is presented. The ML models accelerate experimentation, facilitate the inverse design of battery materials, and identify suitable candidates from three extensive material libraries to advance sustainable energy-storage technologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google