(综述)复旦大学npj Comput. Mater.: 面向电池科学应用的机器学习范式设计

在电池科学的发展中，机器学习（ML）已被广泛应用于预测材料特性、监测形貌演变、学习底层物理规律及简化材料发现流程。然而，机器学习在电池研究中的广泛采用仍面临诸多局限，包括数据库不完整且缺乏针对性、模型精度不足以及实验验证难以实现等问题。从应用导向的视角出发，构建包含特定领域知识的数据集并匹配合适的机器学习模型对电池研究至关重要。

随着2019年诺贝尔化学奖授予锂离子电池（LIB）的研发，这一全球最重要且高效的能量存储系统已深刻改变了世界能源格局。近十年来，环境保护与能源消耗的双重挑战进一步推动了LIB技术的快速发展。从应用导向视角看，当前电池研究面临的核心挑战主要包括：1）实现高能量密度电池；2）开发先进固态电解质；3）达成电池快充与高倍率性能；4）预测电池荷电状态与全生命周期寿命；5）建立环境友好型电池回收体系。人工智能技术已展现出突破这些挑战的巨大潜力。

本文旨在为两类研究人员提供前瞻视角：希望运用机器学习技术解决电池领域关键难题的科研人员，以及有意将现有方法适配电池科学特殊需求与约束的机器学习研究人员。

研究前沿：

1. 与先进人工智能模型的集成赋能分子生成与模拟加速；

2. 开发自动化工具实现面向对象的材料设计；

3. 理论与机器学习双轮驱动的协同研究范式；

4. 基于人类智能与实验客观事实的机器学习开发。

【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！