【机器学习】ACS Energy Letters：新型预测模型评估液流电池特性

文章预览

【高端测试 找华算】 专注测试分析服务、自有球差电镜机时、全球同步辐射资源，10000+单位服务案例！ 经费预存选华算，高至16%预存增值！ 研究背景 当今社会，随着对可再生能源需求的增加，氧化还原液流电池(简称RFB或液流电池)由于其稳定高效的能源存储性能在市场上占据了重要的地位。综合考虑到成本、资源和环境的影响，氧化还原液流电池的发展已经从以金属为中心的氧化还原活性材料过渡到有机分子体系，即水系有机氧化还原液流电池(AORFB)。然而，研究人员发现水溶性有机(ASO)氧化还原活性材料需要高效的机器学习替代方案来预测电池性能。传统机器学习存在灾难性的遗忘问题，这就是当前研究领域所面临的挑战。 美国太平洋西北国家实验室 Yucheng Fu等人提出了一种名为物理引导的持续学习(PGCL)方法，旨在解决传统机器学习中的灾难 ………………………………