論文の概要: Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte for Li-Ion Batteries

• arxiv url: http://arxiv.org/abs/2202.06763v1
• Date: Mon, 14 Feb 2022 14:33:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 17:06:03.607873
• Title: Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte for Li-Ion Batteries
• Title（参考訳）: 機械学習によるリチウム電池用超イオン固体電解質の発見
• Authors: Seungpyo Kang, Minseon Kim, and Kyoungmin Min
• Abstract要約: Li-Ion固相電解質(Li-SSEs)は、従来のLi-Ion電池(LIBs)の臨界問題を解消する有望な解である 20,237個のLi含有材料中の超イオン性Li-SSEを発見するための機械学習シュロゲートモデルを開発した。
• 参考スコア（独自算出の注目度）: 1.787419386215488
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Li-Ion Solid-State Electrolytes (Li-SSEs) are a promising solution that resolves the critical issues of conventional Li-Ion Batteries (LIBs) such as poor ionic conductivity, interfacial instability, and dendrites growth. In this study, a platform consisting of a high-throughput screening and a machine-learning surrogate model for discovering superionic Li-SSEs among 20,237 Li-containing materials is developed. For the training database, the ionic conductivity of Na SuperIonic CONductor (NASICON) and Li SuperIonic CONductor (LISICON) type SSEs are obtained from the previous literature. Then, the chemical descriptor (CD) and additional structural properties are used as machine-readable features. Li-SSE candidates are selected through the screening criteria, and the prediction on the ionic conductivity of those is followed. Then, to reduce uncertainty in the surrogate model, the ensemble method by considering the best-performing two models is employed, whose mean prediction accuracy is 0.843 and 0.829, respectively. Furthermore, first-principles calculations are conducted for confirming the ionic conductivity of the strong candidates. Finally, six potential superionic Li-SSEs that have not previously been investigated are proposed. We believe that the constructed platform can accelerate the search for Li-SSEs with high ionic conductivity at minimum cost.
• Abstract（参考訳）: Li-Ion固相電解質 (Li-SSEs) は, イオン伝導率の低下, 界面不安定性, デンドライト成長など, 従来のLi-Ion電池 (LIBs) の臨界問題を解消する有望な解である。 本研究では,20,237種類のli含有材料の超イオン性li-ssを検出するための高スループットスクリーニングと機械学習サロゲートモデルからなるプラットフォームを開発した。 トレーニングデータベースでは,Naスーパーイオニックコンダクタ(NASICON)およびLiスーパーイオニックコンダクタ(LISICON)型のSSEのイオン伝導率が,前報より得られた。 次に、ケミカルディスクリプタ(cd)と追加の構造特性を機械可読性として用いる。 スクリーニング基準によりLi-SSE候補が選択され、そのイオン伝導率の予測が続く。 次に、サロゲートモデルの不確かさを低減するため、最高の2つのモデルを考慮したアンサンブル法を用い、平均予測精度は0.843と0.829である。 さらに、強候補のイオン伝導性を確認するために第一原理計算を行う。 最後に、これまで研究されていない6つの潜在的超イオンLi-SSEを提案する。 構築されたプラットフォームは、イオン伝導率の高いLi-SSEの探索を最小限のコストで高速化できると考えている。

関連論文リスト

• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• Ablation loading of barium ions into a surface electrode trap [0.0]
  トラップイオン量子情報処理は、少量しか利用できない同位体に符号化された量子ビットの恩恵を受けることができる。 レーザーアブレーションは、中性原子やイオンを低体積ターゲットから制御的に解放する方法を提供する。 そこで本研究では, イオン負荷確率を記述するモデルをテストするために, 異なるサイズの表面電極トラップへのアブレーションベースのイオン負荷について検討する。
  論文  参考訳（メタデータ） (2023-03-03T18:50:04Z)
• Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
  機能性材料の電子構造の予測は新しい装置の工学に不可欠である。 本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。 この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
  論文  参考訳（メタデータ） (2023-01-04T08:19:18Z)
• Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids [58.720142291102135]
  IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。 我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。 GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
  論文  参考訳（メタデータ） (2022-06-23T15:27:29Z)
• Near-Surface Electrical Characterisation of Silicon Electronic Devices Using Focused keV Ions [45.82374977939355]
  シリコンデバイスに低エネルギーイオンを注入する方法を示す。 内部電界が弱いにもかかわらず、感度領域全体から準均一電荷収集効率が得られる。 これは、高品質な熱ゲート酸化物がイオン検出反応で果たす重要な役割によって説明できる。
  論文  参考訳（メタデータ） (2022-01-27T06:29:46Z)
• Measurement of the Low-temperature Loss Tangent of High-resistivity Silicon with a High Q-factor Superconducting Resonator [58.720142291102135]
  温度70mKから1Kの範囲で高比抵抗(100)シリコンウェハの直接損失タンジェント測定を行った。 この測定は, 高温超伝導ニオブ共振器を利用した技術を用いて行った。
  論文  参考訳（メタデータ） (2021-08-19T20:13:07Z)
• Band tail formation in mono and multilayered transition metal dichalcogenides: A detailed assessment and a quick-reference guide [6.2049692007834505]
  遷移金属ジアルコゲナイド(英語版)(TMD)は、様々な超小型電子、量子計算、光電子応用の候補である。 TMD単層および多層系のバンドテールは密度汎関数理論に基づく非平衡グリーン関数によって予測される。
  論文  参考訳（メタデータ） (2021-07-21T12:47:58Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。