哈工大娄帅锋/王家钧Matter：利用机器学习桥接多模态数据与电池科学（附招聘信息）

第一作者：宁延滨，杨峰，张岩

通讯作者：王家钧*，娄帅锋*

单位：哈尔滨工业大学

【研究背景】

随着表征技术的不断突破，越来越多全新且精准的表征方法被纳入电池研究中。特别是同步辐射光源的使用，大大提高了表征数据的空间和时间分辨率。这些方法为电池的基础研究提供了全新的视角，但也带来了更具挑战性的问题：如何有效地整合多模态信息，快速准确地处理数据，进而发现隐含信息。传统的人工数据分析方法已无法满足从多模态大数据中挖掘信息的需求。机器学习现成为连接多模态数据和先进电池科学的绝佳桥梁。

【文章简介】

近日，哈尔滨工业大学娄帅锋教授与王家钧教授在国际知名期刊Matter上发表题为“Bridging multimodal data and battery science with machine learning”的综述文章。该综述文章梳理了电池研究领域中采用机器学习方法的多模态数据驱动研究的最新进展，探索了加速先进电池材料开发的材料数据驱动方法，用于跨尺度电池结构分析和图像增强的图像数据驱动方案，以及使用机器学习模型的电池评估策略。深入探讨了机器学习在先进电池科学研究领域的潜力，包括训练数据的积累、机器学习模型的开发以及高级分析方法的应用等方面。

图1. 利用机器学习桥接多模态数据与先进电池科学。

【本文要点】

1. 材料数据驱动的电池新材料开发

新型能源材料的发现和材料物性的调控是电池科学的核心问题。随着第一性原理，尤其是密度泛函理论逐渐应用于电池材料的研发中，以高通量计算，晶体结构预测等为代表的材料设计方法在发现新材料和新性质方面取得显著成果。虽然大多数材料设计方法可以实现自动化，但是需要强的人工干预，所以并不适用于大规模的运用。机器学习的加入有望成为材料开发的一种新的计算方法，或者有力工具，尤其是在电池材料设计和定向筛选方面。例如机器学习势可以以接近DFT的精度预测能量和原子力但速度要快几个数量级。机器学习也可在材料数据和物性参数之间建立直接关系从而替代第一性原理计算。得益于机器学习的自我学习与数据挖据使其具备了一定的决策能力，从而使机器学习用于材料定向筛选方面成为可能。一方面机器学习模型可以通过特征工程自主发现数据之间的潜在关系，从而避免不必要的冗余计算，显著降低数据维度；另一方面，机器学习使用启发式算法来优化求解过程，与传统的分步计算相比，可以显著缩短模型的收敛时间。

图2. 材料数据驱动的先进电池材料开发。

2. 图像数据驱动的多尺度结构分析

电极材料显著的结构退化，将极大影响电池的性能。材料多尺度成像技术是观察和理解电池电极材料结构失效的关键方法。特别X射线成像已逐渐成为材料无损表征的首选方法。随着同步加速器光源的出现，对电池失效机制分析进入了更高的维度。得益于数字图像出色的计算可操作性，使得机器学习模型能够在大规模应用于电池电极材料的多尺度结构分析，特别是卷积神经网络（CNN）模型。机器学习模型不仅可以用于揭示电池电极的原子级见解（例如原子定位，晶型检测），也可用于介观尺度的无损三维表征和损伤统计分析（例如电极组分分割，颗粒损伤鉴定，极片非均质裂纹识别等）。尤其是机器学习与光学显微成像技术的结合将极大地促进高通量表征的发展，对于在电极尺度上观察非均匀反应现象，在颗粒尺度上跟踪锂传输过程，分析锂枝晶生长动力学具有重要意义。同时，例如图像超分辨重建技术，电极微结构虚构等图像增强技术也将为电池失效机制分析提供全新解决手段。

图3. 图像数据驱动的多尺度电池研究和图像增强策略。

图4. 电池微观表征的进展。

图5. 电池介观表征的进展。

3. 状态数据驱动的电池评估

电池评估主要围绕SoC、SoH和RUL的预测展开。电化学模型估计方法通过利用多孔电极、浓缩溶液、欧姆定律和Butler-Volmer动力学方程的原理，可提供卓越的精度，但这种计算密集型的方法部署在电池管理系统中是十分困难的。等效电路模型虽然在动力电池工况预测中表现出非凡的优势，但其计算精度还达不到未来对于电池状态预测的需求。因此快速、精准且完全依赖电池参数的数据驱动电池状态评估方法探索成为一个新兴的研究领域。机器学习凭借其卓越的数据处理能力，已然成为电池评估的首选方法。传统的机器学习算法例如支持向量机、高斯过程回归、决策树回归、卡尔曼滤波模型等已取得不错的成绩，较为前沿的神经网络模型在进行电池状态评估中也展现出绝佳的能力，并在云计算和多模型融合方面崭露头角。

图6. 状态数据驱动的电池评估。

【结论】

随着基于大数据的科学研究的第四科学范式的出现，电池研究正在发生变革性转变。对于实验数据、表征数据等的需求逐步增加，多模态数据对于电池科学的高质量发展具有重要意义。机器学习已经融入了电池研究的方方面面，凭借其出色的数据挖掘和处理能力，将多模态数据和电池科学更紧密地结合在一起。虽然机器学习已然成为研究优选办法但其全部潜力尚需进一步挖据：

（1）通过提供更多的训练数据和更高质量的数据来提上模型的泛化能力是首选及最有效的手段，所以搭建具有海量数据的多模态数据库十分重要。

（2）结合计算机领域，针对于电池科学中一些难点问题进行专用模型的开发和组合模型也是未来发展的主要方向。

（3）联合高级分析方法，例如辅助数字孪生技术构建更精确的数字孪体（包括电极多孔介质模型、细胞聚集模型等），加快模型计算速度，并显著降低数据交互延迟。

Yanbin Ning, Feng Yang, Yan Zhang, Zhuomin Qiang, Geping Yin, Jiajun Wang, Shuaifeng Lou, Bridging multimodal data and battery science with machine learning, Matter, 2024.

https://doi.org/10.1016/j.matt.2024.04.030

通讯作者简介

娄帅锋哈尔滨工业大学，教授，博士生导师，国家级青年人才。主要研究方向为铌基材料与快充电池、固态电池与智能分析、结构电池与力学等。以第一/通讯作者发表SCI论文50余篇，包括Nat. Commun. (2)、JACS (2)、Chem、Adv. Mater.、Matter (2)、Energy Enviorn. Sci.、Nano Lett.、Adv. Funct. Mater. (2)等期刊，出版英文专著一部，主持国家自然科学基金（面上/青年）、国家重点研发计划子课题、黑龙江省优秀青年基金等项目，获黑龙江省自然科学奖、中国新锐科技人物知社特别奖，入选哈工大青年拔尖人才选聘计划、中国科协青年人才托举工程等。

王家钧哈尔滨工业大学，教授，博士生导师，英国皇家化学会会士，国家级青年人才。长期从事新能源材料、固态电池、无损检测及电池安全失效分析方面的研究，迄今已在Science，Nature子刊等行业顶级期刊发表论文100余篇，申请发明专利30余项，其多项成果被华为、一汽集团等企业投入使用并取得良好效益。承担工信部大科学工程项目、基金委重点基金、面上项目、国际合作项目、省重点项目、国家部委科研项目等多项课题，牵头获得黑龙江省自然科学奖等。

第一作者介绍

宁延滨：哈工大博士生，主要研究方向为电池多尺度成像技术、电池智能分析方法。

杨峰：哈工大博士生，主要研究方向为铌基负极材料及相关低温电解液等。

张岩：哈工大博士生，主要研究方向为铌基负极材料及锂硫电池铌基催化剂等。

【课题组介绍】

课题组面向国家重大战略需求，致力于铌基电化学储能、下一代电池开发（全固态、钠离子、柔性等）、先进表征与智能分析等领域的基础和应用研究。1，设计与开发了多种铌基氧化物负极材料、快充锂硫电池铌基催化剂等，突破了超高功率锂离子电池的技术瓶颈，铌基电化学储能方向在国内形成了鲜明的研究特色；2，聚焦下一代电池体系，在固态电池、钠离子电池、柔性电池材料与电芯开发领域取得原创成果；3，基于同步辐射光源等大科学装置与先进分表征技术，开发智能分析方法。相关研究成果同多个公司合作完成初步转化与产品开发。

【课题组招聘】

★ 博士后招聘：3-5人

1、即将获得或者已获得化学、化工、材料等相关专业博士学位。

2、具有电化学储能领域的研究经历，热爱科研，工作认真，责任心强，动手能力强。

3、年薪不少于25万元，提供博士后公寓或者周转房。

★ 研究生招生：硕士生 5人/年，博士生 3人/年

1、秉承纯自由式探索与目标导向研究并重的科研理念，鼓励做"有趣的"研究和"有用的"研究，既重视"从0到1"，又强调"从1到99"，推进原创性探索，实现萌芽成果落地转化，服务国民经济和国家重大战略！

2、欢迎对(电)化学理论、材料可控合成、原位(成像)表征技术、机器/深度学习、智能传感或者纯自由探索式前沿交叉研究感兴趣的本科生/硕士生加入，共同探索下一代智能电池新技术！

3、专业要求，除化工、化学、材料外，热烈欢迎仪器、物理、光学、计算机、电子信息专业学生，熟悉MATLAB、Python等编程者优先，构建学科交叉研究！

附：博士招生方式

1，优秀博士生源快响行动（随时提交读博申请，1个月内录取，要求本硕双985）

http://yzb.hit.edu.cn/2023/0609/c8824a313710/page.htm