Py学习  »  机器学习算法

清华大学周光敏团队 Nat. Catalysis: 在机器学习辅助筛选高活性锂硫电池催化剂方面取得新进展

化学与材料科学 • 11 月前 • 111 次点击  

点击蓝字关注我们

 储能已成为保障可再生能源规模应用,实现“双碳”目标的关键核心技术。锂硫电池理论比容量高、成本低廉、环境友好,是最具实用化应用前景的下一代储能体系之一。然而,其实用化进程却始终受限于缓慢的反应动力学以及严重的容量衰减。向锂硫电池中引入高活性催化剂,例如过渡金属化合物(TMC),已被证明是提高反应动力学的有效策略。
TMC的金属原子被认为是催化反应的活性中心,其与多硫化锂中硫的轨道杂化状态已被广泛研究。然而在不同TMC催化剂中普遍存在的非金属与多硫化锂中锂之间的相互作用,人们却一直缺乏深入理解。此外,前期研究通常只聚焦催化体系的电子状态,而忽视了活性位点几何结构对催化效果的影响机制,缺乏综合考虑锂硫电池催化体系中电子状态与几何结构的二元描述符。上述问题阻碍了研究人员对锂硫电池TMC催化剂的深入理解与理性设计。

近日,清华大学深圳国际研究生院周光敏团队与合作者基于密度泛函理论与机器学习算法,提出了一种可用于筛选锂硫电池TMC催化剂的二元描述符。该二元描述符由能带匹配指数(IBand)与晶格错配指数(ILatt)组成,分别描述了电子状态与几何结构对于催化效应的贡献,从轨道耦合与晶格畸变角度揭示了催化剂对反应动力学的影响机制。TMC催化剂中的非金属位点可同时调节IBandILatt,具有适中IBand和低ILatt的TMC催化剂对多硫化锂具有适中的吸附强度和较低的反应能垒,预计将具有更高的催化活性。

图1.构建电子效应描述符与结构效应描述符
结合密度泛函理论计算、紫外可见吸收光谱与原位拉曼测试,研究人员验证了电子效应描述符的理论预测结果。IBand较低的TMC催化剂,对于多硫化锂具有更高的吸附能力。

图2.从电子效应角度揭示TMC催化剂中非金属的影响机制
结合密度泛函理论计算与变温电化学阻抗谱、恒电位间歇滴定技术等电化学测试方法,研究人员验证了结构效应描述符的理论预测结果。ILatt较小的TMC催化剂造成吸附多硫化锂更明显的Li-S畸变,因而具有更低的活化能。

图3.从结构效应角度揭示TMC催化剂中非金属的影响机制
研究人员进一步采用机器学习方法,基于IBandILatt构建了二元描述符。文章采用遗传算法在复杂系数组合空间中优化搜索最佳系数组合,基于蒙特卡罗模拟保证搜索空间生成过程中的统计置信度。通过同时考虑轨道耦合和晶格畸变效应,该二元描述符可为更全面理解催化活性影响机制提供参考。

图4.开发二元描述符揭示TMC催化剂中非金属对催化过程的影响机制
研究人员通过充放电曲线循环、低温器件性能等测试,验证了TMC催化剂中非金属对器件性能的影响。NiSe 2具有适中IBandILatt,对应适中的吸附能力和低反应能垒,可防止催化剂表面毒化,保持长循环期间的催化活性。受益于优异的催化效应,基于NiSe2组装Ah级锂硫软包电池可实现402Whkg-1高能量密度,在相对较低的贫电解液条件下(4μLmg−1)下可发挥24.4mAhcm−2的超高面积容量,优于之前报道的大多数Ah级Li-S软包电池。

图5.TMC催化剂中非金属对电化学性能的影响
相关成果近日以“ Machine-learning-assisted design of a binary descriptor to decipher electronic and structural effects on sulfur reduction kinetics " 为题发表在 Nature Catalysis 上。
清华大学深圳国际研究生院周光敏副教授为本文通讯作者,清华大学深圳国际研究生院2021级博士生韩志远和2023级博士生高润华、西北工业大学王天帅副教授为本文共同第一作者,论文作者还包括清华大学深圳国际研究生院2022级博士生陶晟宇、2021级硕士生贾烨阳、2022级硕士生劳洲界、2021级硕士生张梦天、2021级硕士生周佳琪、2021级博士生李闯、2020级博士生朴志鸿和张璇副教授。该研究得到国家自然科学基金委员会、科技部、广东省科技厅、深圳市科技创新委员会、清华大学深圳国际研究生院等的支持。

原文链接

https://doi.org/10.1038/s41929-023-01041-z


相关进展

清华周光敏副教授、成会明院士团队 Nat. Sustain./Adv. Mater.: 在锂电回收产物功能化研究领域取得新进展

免责声明:部分资料可能来源于网络,转载的目的在于传递更多信息及分享,并不意味着赞同其观点或证实其真实性,也不构成其他建议。仅提供交流平台,不为其版权负责。如涉及侵权,请联系我们及时修改或删除。原创文章欢迎个人转发和分享,刊物或媒体如需转载请联系。联系邮箱:chem@chemshow.cn

扫二维码|关注我们

微信号 : Chem-MSE

诚邀投稿

欢迎专家学者提供化学化工、材料科学与工程及生物医学工程等产学研方面的稿件至chem@chemshow.cn,并请注明详细联系信息。化学与材料科学会及时选用推送。


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/163590
 
111 次点击