第51卷第2期2023年2月硅酸盐学报Vol.51，No.2February，2023JOURNALOFTHECHINESECERAMICSOCIETYhttp://www.gxyb.cbpt.cnki.netDOI：10.14062/j.issn.0454-5648.20220818机器学习在锂电池固态电解质研究中的应用陈翔，富忠恒，高宇辰，张强(清华大学，化学工程系绿色反应工程与工艺北京市重点实验室，北京100084)摘要：固态锂电池因其具有高能量密度等优势，被认为是最具潜力的下一代电池技术之一。固态锂电池的诸多优势源于其中固态电解质材料的使用。机器学习方法的兴起为锂电池固态电解质研究提供了新的机遇。机器学习可以拓展传统理论模拟方法在固态电池研究中的应用边界，推动高精度、跨尺度模拟方法的发展；预测固态电解质离子导率、力学性质等关键指标，在原子层面理解固态电解质的构效关系，实现高性能固态电解质的高通量筛选；辅助固态电池实验研究，指导新型固态电解质合成，深入定量解析固态电池谱学表征。因此，机器学习方法的引入及其与理论模拟、实验之间的深度耦合将极大地推动固态电解质研究，促进固态锂电池的实用化进程。关键词：锂电池；固态电解质；机器学习；离子导率；分子动力学模拟中图分类号：TM911文献标志码：A文章编号：0454–5648(2023)02–0488–11网络出版时间：2022‒12‒27MachineLearninginLithiumBatterySolid-StateElectrolytesCHENXiang,FUZhong-Heng,GAOYu-Chen,ZHANGQiang(BeijingKeyLaboratoryofGreenChemicalReactionEngineeringandTechnology,DepartmentofChemicalEngineering,TsinghuaUniversity,Beijing100084,China)Abstract:Solid-satelithiumbattery(SSB)isconsideredasoneofthemostpromisingnext-generationbatteriesduetoitshighenergydensity.Theemergenceofmachine-learning(ML)techniquesaffordsapossibilityforthestudyofsolid-stateelectrolytes(SSEs).MLisabletopromoteadeepapplicationoftheoreticalsimulationsinSSBandbuildahigh-accuracyandmulti-scalesimulationparadigm.Besides,MLcanestablishaquantitativestructure–functionrelationofSSEsandachieveahigh-throughputscreeningofadvancedSSEs.Inaddition,ML-assistedexperimentscansynthesizeadvancedSSEswithahighefficiencyanddeliveracomprehensiveunderstandingofworkingmechanisminSSBswithvariouscharacterizationssuchassynchrotronimaging.Therefore,theintroductionofMLanditscombinationwiththeexistingtheoreticaland...
