機器學習（ML）在預測固態電解質（SSEs）性能方面具有巨大潛力。通過在ML框架內集成實驗或/和模擬數據，可以加速高級SSE的發現和開發，最終促進其在儲能系統中的應用。近日，廈門大學Zhang Qiaobao、洛陽師范學院Wu Naiteng、Liu Xianming、北京科技大學Wu Honghui對ML輔助的固態電解質性能預測進行了綜述研究。
本文要點：
1) 作者首先介紹了SSE的背景，包括其明確的定義、全面的分類、固有的物理/化學性質、控制其導電性的潛在機制、挑戰和未來發展。作者還對ML方法進行了深入的解釋。隨后，作者總結了影響SSE性能的關鍵因素，包括熱膨脹、模量、擴散率、離子電導率、反應能、遷移勢壘、帶隙和活化能。
2) 最后，作者對下一代SSE的設計前提進行了展望，重點是實時性能預測、多性能優化，多尺度建模、遷移學習、自動化和高通量實驗以及全電池的協同優化，所有這些都對加速SSE的進展至關重要。該綜述旨在指導新型SSE材料的設計和優化，以便在儲能技術中實際實現高效可靠的SSE。
Jin Li et.al Machine Learning-Assisted Property Prediction of Solid-State Electrolyte Adv. Energy Mater. 2024
DOI: 10.1002/aenm.202304480
https://doi.org/10.1002/aenm.202304480
