用于预测电池性能的人工智能(AI)技术已被开发出来。由于该技术可以由AI代替完成电池材料开发所需的大量实验,并提高预测可信度,因此有望在材料开发过程中最大限度减少试错。


KAIST表示,新材料工程系Hong Seungbeom教授团队与Jo Eunae教授团队开展联合研究,在实验数据不完整的情况下,开发出了一种能够精确预测电池正极材料颗粒尺寸并同时给出可信度的AI机器学习框架。相关消息于26日公布。


人工智能生成图像。KAIST提供

人工智能生成图像。KAIST提供

View original image

电池内部的正极材料是锂离子电池储存和释放能量所必需的核心材料。目前在电动车电池中应用最广泛的正极材料,是将镍(Ni)、钴(Co)、锰(Mn)混合而成的NCM系列金属氧化物,对电池寿命、充电速度、续航里程和安全性产生影响。


联合研究团队注意到,构成正极材料的微小颗粒(一次颗粒)尺寸,是决定电池性能的关键因素。因为如果颗粒过大,性能会下降;相反如果颗粒过小,则可能出现稳定性问题。


以往为了掌握颗粒尺寸,需要不断改变烧结温度和时间、材料配比等条件,反复进行大量实验。但在实际研究现场,难以将所有条件无一遗漏地测量清楚,实验数据缺失的情况也十分常见,因而在精细分析工艺条件与颗粒尺寸之间关系时存在局限。


为解决这一问题,联合研究团队设计了能够精确预测并控制颗粒尺寸的AI框架。该框架结合了在考虑化学特性的基础上补全缺失实验数据的技术(MatImpute),以及用于计算预测不确定性的概率型机器学习模型(NGBoost),由此构建完成。


尤其是,该模型不仅仅停留在预测颗粒尺寸本身,还会同时提供对该预测结果可以信赖到何种程度的信息,从而为在何种具体条件下合成材料的决策提供重要依据。


在扩展实际实验数据进行训练后,AI模型表现出86.6%的高预测准确度。分析结果显示,正极材料颗粒尺寸受烧结温度和时间等工艺条件的影响,比受材料成分本身的影响更大。这一结果也与既有的实验性认识相吻合。


前排左侧为Hong Seungbeom教授 前排右侧为Jo Eunae教授 等主要研究人员合影留念。KAIST提供

前排左侧为Hong Seungbeom教授 前排右侧为Jo Eunae教授 等主要研究人员合影留念。KAIST提供

View original image

为验证AI预测的可靠性,联合研究团队在保持金属成分比例相同的NCM811(Ni 80%·Co 10%·Mn 10%)配比条件下,采用既有数据中未包含的制造条件,重新制备了4种正极材料样品并进行实验。


结果显示,AI预测的颗粒尺寸与实际显微镜测量结果几乎一致,误差大多小于0.13微米,远小于一根头发丝的粗细。


联合研究团队解释称,尤其是实际实验结果都落在AI同时给出的预测不确定性范围之内,因此不仅预测值本身,在可信度方面也获得了合理性验证。


此次研究的意义在于,即使在电池研究中不必完成所有实验,也能够优先找到成功可能性较高的条件。联合研究团队预计,通过这一方式,可以加快电池材料开发速度,并大幅减少不必要的实验和成本。


Hong教授表示:“让AI同时给出预测值以及对预测结果可以信赖到何种程度,这正是本次研究的核心”,并称“预计研究结果今后将在更快速、更高效地设计下一代电池材料方面发挥实质性作用”。



另一方面,本次研究中,新材料工程系博士课程研究人员Benediktus Madika以第一作者身份参与。研究成果(论文)近日发表在新材料·化学工程领域国际学术期刊《Advanced Science》上。


本报道由人工智能(AI)翻译技术生成。

版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。

不容错过的热点