Data-driven development of cycle prediction models for lithium metal batteries using multi modal mining

要約

データ駆動型研究の最近の進歩により、材料とその性能の複雑な関係を理解する上で大きな可能性が示されています。
ここでは、大規模言語モデル (LLM) と自動グラフ マイニング ツールであるマテリアル グラフ デジタイザー (MatGD) を統合する自動バッテリー データ コレクター (ABC) を採用した、新しいマルチモーダル データ駆動型アプローチを紹介します。
このプラットフォームにより、さまざまなテキストおよびグラフィック データ ソースから、バッテリー材料データとサイクル性能のパフォーマンス メトリクスを最先端の正確に抽出できます。
ABC プラットフォームを通じて得られたデータベースから、リチウム金属電池の容量と安定性を正確に予測できる機械学習モデルを開発しました。これは、そのような予測を達成するために開発された史上初のモデルです。
私たちのモデルは実験的にも検証され、データ駆動型アプローチの実用的な適用性と信頼性が確認されました。

要約(オリジナル)

Recent advances in data-driven research have shown great potential in understanding the intricate relationships between materials and their performances. Herein, we introduce a novel multi modal data-driven approach employing an Automatic Battery data Collector (ABC) that integrates a large language model (LLM) with an automatic graph mining tool, Material Graph Digitizer (MatGD). This platform enables state-of-the-art accurate extraction of battery material data and cyclability performance metrics from diverse textual and graphical data sources. From the database derived through the ABC platform, we developed machine learning models that can accurately predict the capacity and stability of lithium metal batteries, which is the first-ever model developed to achieve such predictions. Our models were also experimentally validated, confirming practical applicability and reliability of our data-driven approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google