論文の概要: AI-Driven Discovery of High Performance Polymer Electrodes for Next-Generation Batteries
- arxiv url: http://arxiv.org/abs/2502.13899v1
- Date: Wed, 19 Feb 2025 17:32:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 13:58:35.018084
- Title: AI-Driven Discovery of High Performance Polymer Electrodes for Next-Generation Batteries
- Title(参考訳): 次世代電池用高性能高分子電極のAIによる発見
- Authors: Subhash V. S. Ganti, Lukas Woelfel, Christopher Kuenneth,
- Abstract要約: 電池における遷移基金属の使用は、リチウム、コバルト、ニッケルといった重要な元素を広範囲に使用する必要がある。
これらの金属を酸化還元活性有機材料に置き換えることで、電池の炭素フットプリントを1桁減らすことができる。
低い電圧と特定の容量の制限を克服するために、機械学習駆動の電池情報処理フレームワークを開発し、実装する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The use of transition group metals in electric batteries requires extensive usage of critical elements like lithium, cobalt and nickel, which poses significant environmental challenges. Replacing these metals with redox-active organic materials offers a promising alternative, thereby reducing the carbon footprint of batteries by one order of magnitude. However, this approach faces critical obstacles, including the limited availability of suitable redox-active organic materials and issues such as lower electronic conductivity, voltage, specific capacity, and long-term stability. To overcome the limitations for lower voltage and specific capacity, a machine learning (ML) driven battery informatics framework is developed and implemented. This framework utilizes an extensive battery dataset and advanced ML techniques to accelerate and enhance the identification, optimization, and design of redox-active organic materials. In this contribution, a data-fusion ML coupled meta learning model capable of predicting the battery properties, voltage and specific capacity, for various organic negative electrodes and charge carriers (positive electrode materials) combinations is presented. The ML models accelerate experimentation, facilitate the inverse design of battery materials, and identify suitable candidates from three extensive material libraries to advance sustainable energy-storage technologies.
- Abstract(参考訳): 電池における遷移基金属の使用は、リチウム、コバルト、ニッケルといった重要な元素を広範囲に使用する必要がある。
これらの金属を酸化還元活性有機材料に置き換えることで、電池の炭素フットプリントを1桁減らすことができる。
しかし、この手法は、適切な酸化還元活性有機材料の可用性の制限や、電気伝導率の低下、電圧、特定の容量、長期安定性といった問題など、重要な障害に直面している。
低電圧と特定容量の制限を克服するため、機械学習(ML)駆動のバッテリー情報処理フレームワークを開発し実装した。
このフレームワークは、豊富なバッテリーデータセットと高度なML技術を利用して、レドックス活性有機材料の識別、最適化、設計を加速し、強化する。
本研究では, 各種有機負極および電荷担体(正極材料)の組み合わせに対して, 電池特性, 電圧, 比容量を予測できるデータ融合ML結合メタ学習モデルを提案する。
MLモデルは実験を加速し、電池材料の逆設計を促進し、持続可能なエネルギー貯蔵技術の進歩のために3つの広範な材料ライブラリから適切な候補を特定する。
関連論文リスト
- Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors [4.7376603774180515]
UMLIP(Universal Machine Learning Interatomic potential)は、その効率性とほぼDFTレベルの精度で、有望なソリューションを提供する。
本研究は, エネルギー, 力, 熱力学特性, 弾性率, リチウムイオン拡散挙動の6つの先進的UMLIPモデルを系統的に評価する。
その結果、MatterSimは、特に複雑な物質システムにおいて、ほぼすべての指標において、他の指標よりも優れています。
論文 参考訳(メタデータ) (2025-02-14T07:55:53Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - Early-Cycle Internal Impedance Enables ML-Based Battery Cycle Life Predictions Across Manufacturers [2.9117750917060574]
電圧容量プロファイルデータにのみ依存する特徴を構成する手法は、通常、セルケミストリーをまたいだ一般化に失敗する。
本研究では、従来の電圧容量特性と直流内部抵抗(DCIR)測定を組み合わせた手法を提案する。
論文 参考訳(メタデータ) (2024-10-05T17:04:25Z) - Machine learning assisted screening of metal binary alloys for anode materials [2.218316486552748]
本研究では,合金陽極材料の発見と最適化を高速化するための機械学習支援戦略を提案する。
我々はMPとAFLOWデータベースから膨大なデータセットをコンパイルし、何万もの合金組成と特性を包含した。
実験データと比較し, 合金陽極の電位および比容量を精度良く予測した。
論文 参考訳(メタデータ) (2024-09-15T01:56:09Z) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳(メタデータ) (2023-10-07T21:36:55Z) - Depth analysis of battery performance based on a data-driven approach [5.778648596769691]
容量の減少は、細胞の応用における最も難解な問題の1つである。
サイクルを通してのセルの容量変化を機械学習技術を用いて予測する。
論文 参考訳(メタデータ) (2023-08-30T08:15:27Z) - 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) - 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) - Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。
このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。
文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文 参考訳(メタデータ) (2020-11-04T21:36:59Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳(メタデータ) (2020-07-06T16:10:54Z)
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。