快捷下单入口关于合作招聘新人手册会员中心

热线：400-152-6858

测试狗科研服务

Document

当前位置：文库百科 › 文章详情

顶刊宠儿！日本东北大学李昊团队带你探索高性能固态电解质的方法！

来源：时间：2023-10-11 22:38:39 浏览：1654次

全固态电池由于其高的安全性和能量密度备受关注，但是其低的离子电导率是其发展的瓶颈。筛选高性能的固态电解质，除了传统的实验试错和理论计算筛选。机器学习是一种高效的方法，可以快速从巨大的材料空间中筛选出具有潜力的材料。数据库是机器学习的基础，建立准确的数据库可以为材料的研究提供新的机遇和视角。相比于对少许材料的分析，基于对大数据的挖掘能够得到材料性质之间的更多隐藏信息，加速材料性能的优化和设计。

为了应对上述挑战，日本东北大学李昊教授课题组（材料科学高等研究所，WPI-AIMR）通过数据挖掘，从实验文献中构建出固态电池电解质的性能数据库（又称：动态固态电解质数据库；dynamic database of solid-state electrolyte，DDSE）。基于该DDSE数据库，我们将讨论材料各种性质之间的联系，总结了大数据挖掘在研究固态电解质中的优势。同时，这个数据库还提供了一个有趣的功能——评价新合成材料的性能排名。

数据库永久DOI: http://doi.org/10.50974/00137195

数据库链接：

https://ssbed-ssbed-database-gui-ntj1tz.streamlit.app/

主要论文：

F. Yang, E. C. D. Santos*, X. Jia, R. Sato, K. Kisu, H. Yusuke, S. Orimo, H. Li*, "A Dynamic Database of Solid-State Electrolyte (DDSE) Picturing All-Solid-State Batteries", Nano Materials Science, 2023: https://www.sciencedirect.com/science/article/pii/S258996512300034X

为了更好地帮助大家理解和掌握数据库的使用，本期课程特邀李昊老师团队做客直播间，和大家一同分享固态电池的意义，大数据和机器学习的意义，以及如何使用该数据库来提高大家的科研质量。

报告名称：使用DDSE数据库可视化分析固态电池电解质性能

报告嘉宾：杨方令（日本东北大学，李昊课题组）

研究领域：机器学习结合理论计算筛选高性能固态电解质

报告简介：全固态电池由于其高的安全性和能量密度备受关注，但是其低的离子电导率是其发展的瓶颈。筛选高性能的固态电解质，除了传统的实验试错和理论计算筛选。机器学习是一种高效的方法，可以快速从巨大的材料空间中筛选出具有潜力的材料。数据库是机器学习的基础，建立准确的数据库可以为材料的研究提供新的机遇和视角。相比于对少许材料的分析，基于对大数据的挖掘能够得到材料性质之间的更多隐藏信息，加速材料性能的优化和设计。

课程大纲

一、研究背景

• 能源结构与电池的应用

• 液态电解液的安全性危机

• 固态电解质的优势和不足

二、探索高性能固态电解质的方法

• 实验试错

• 理论计算（DFT和AIMD）

• 机器学习筛选

三、建立数据库的优势

• 数据挖掘

• 实验误差检查

• 为机器学习提供数据支撑

四、数据库功能演示

• 基于数据库展示材料之间的关系

• 评价实验数据

报告人简介：

杨方令，四川大学物理学院博士生，从2022年起于日本东北大学李昊课题组进行联合培养，主要研究方向为机器学习结合理论计算筛选高性能固态电解质。

李昊课题组简介：

李昊教授课题组（位于日本东北大学，材料科学高等研究所，WPI-AIMR）主要从事材料理论推导、理论计算方法及机器学习算法开发、高性能材料设计。至今已在杂志发表论文超155篇，包含Nature Catalysis、Nature Communications、Journal of the American Chemical Society、Advanced Materials、Energy & Environmental Science、ACS Catalysis、Chemical Science、Chemistry of Materials、ACS Energy Letters、Advanced Energy Materials、Advanced Functional Materials等领域权威杂志。

李昊课题组主要方向及代表性成果如下：

1. pH-电场效应耦合的微观动力学理论推导:对合金、金属氧化物、单原子等催化剂进行能源电催化（燃料电池、电解水、二氧化碳还原、合成氨等）研究。

2. 数据挖掘及功能材料数据库的构建。

3. 建立新算法/新人工智能方法辅助研究功能材料（如：催化剂、固态电池、固态储氢材料等）。

4. （首例）通过理论推导得到亚硝酸盐催化还原模型，并成功通过理论预测、实验验证得到高性能催化剂，对饮用水处理还原亚硝酸至100%氮气；

5. （首例）通过理论预测、实验验证设计出将亚硝酸盐100%还原得到氨气的催化剂（至今唯一一例实现100%氨气选择性催化剂）。

6. （首例）理论推导出利用电解水过程对烯烃实现常温环氧化过程。

7. 设计高性能材料对污水氟化物、氯化物等污染物进行高效降解。

直播时间：2023年10月12日周四晚7:00-9:00

观看方式：测试狗-科研服务视频号& B站直播间