【儀表網 研發快訊】近日，電子科技大學基礎與前沿研究院王斌教授、劉芯言特聘研究員和光電科學與工程學院程建麗教授提出一種基于機器學習輔助的過渡金屬化合物(TMCs)篩選方法，用于快速發現適用于Li-CO2與Li-Air電池的高效催化劑。相關論文以“Iterative Machine Learning-Guided Discovery of Transition Metal Compounds as Catalysts for Li-CO2 and Li-Air Batteries”為題，發表在Journal of the American Chemical Society上。基礎與前沿研究院2023級博士研究生丁玎為論文第一作者，基礎與前沿研究院為論文第一單位。
過渡金屬化合物(TMCs)因其豐富的化學組成與可調的電子結構，作為Li-CO2和Li-Air電池的正極催化劑，受到廣泛關注。然而，過渡金屬候選材料數量龐大，傳統的“試錯法”材料設計方法不僅耗時漫長，而且研發周期復雜。
針對這一挑戰，研究團隊提出了一種迭代式機器學習工作流程，以加速高性能Li-CO2電池正極催化劑的發現，并通過實驗驗證了其有效性。該方法在機器學習模型的指導下，通過不斷補充訓練數據集實現模型的自我優化，能夠直接預測催化劑的關鍵性能指標——過電位。
在該體系中，研究人員從15,012種過渡金屬化合物中高效篩選出三種具有代表性的TMC催化劑并成功合成。實驗驗證結果表明，預測模型的平均絕對誤差僅為0.106 V，顯示出優異的預測精度。其中，Co0.1Mo0.9N表現出最優的催化性能，被進一步用于Li-CO2電池和Li-Air電池的機理分析與電化學性能測試。在50 mA g?¹電流密度下，Co0.1Mo0.9N在Li-CO2和Li-Air電池中分別實現了僅0.55 V和0.65 V的低過電位。機理分析表明，Co摻雜有效調控了MoN的電子結構，促進了電子轉移，從而顯著提升了催化活性。
該研究為利用機器學習加速新型電池催化劑的篩選與設計提供了新的技術路徑，也為構建更加高效、可持續的電化學能源體系奠定了基礎。
所有評論僅代表網友意見，與本站立場無關。