Npj Comput. Mater.: ARCANA框架：电池寿命预测新方案

文章预览

海归学者发起的公益学术平台 分享信息，整合资源 交流学术，偶尔风月 锂离子电池（LIBs）在支持设备电气化方面至关重要，但优化未来的电池仍面临挑战。其关键问题在于如何快速识别电池退化原因及防止容量过早衰减。由于非线性容量损失可能发生在数百或数千个周期内，探索电池材料退化机制费时耗力。另外，早期电池寿命预测的另一个挑战是阳极、阴极和电解质中电池化学成分的多样性，以及形状因子和电化学测试协议的多样性。机器学习（ML）和深度学习（DL）可以通过减少理解基本化学过程所需的循环次数来加速测试。但这些模型通常专注于单任务学习，而忽视多目标学习。它们往往忽略生产差异和个体电池差异，这使它们具有较低的精度和可信度。 Fig. 1 | An UML diagram of the computational framework. 来自德国亥姆霍兹研究所的Fuzhan Rahmanian等 ………………………………