近日，我所能源材料研究部（筹）高性能高分子材料研究中心（DNL2200组）周光远研究员团队提出基于人工智能（Artifcial intelligence，AI）辅助，制备大规模、高性能独特分层多孔海绵体状N/S异质元素掺杂的硬碳材料（NS-C-1100）。
电池储能材料研发是一个复杂的多变量过程。目前的研究流程很大程度上依赖于前向试错方法，并且主要以材料为中心，包括合成材料、制造电解质和电极、组装电池，以及最后评估性能等。即使只考虑这些方面，也有大于10100种合成活性物质和制备电解质的可能性，几乎有无限种选择电极制造参数的可能性和几十种可能的电池形式，这些远远超过了人类大脑所能处理的范围。因此，为了提高电池研究的效率及稳定性，人工智能（Artifcial intelligence, AI）和机器学习（Machine learning, ML）有望能够帮助人们克服处理大量变量和量化数据的方法。
本工作中，团队通过人工神经网络模型（Artificial Neural Network, ANN），筛选得到最优权重文件（d002，La，Lc，SSA，ID/IG）；进一步依据权重文件对待测数值进行ICE、Capacity准确预测；并在Github国际开源网站开源结构模型中建立钾离子电池负极硬碳材料权重参数性能数据库。团队实现了通过AI辅助合成大规模高性能硬碳材料，在1A g-1下可逆比容量高达313.5mAh g-1；即使在1A g-1循环9000圈后仍然保持250mAh g-1的高可逆比容量。团队还对人工智能在可充放电钾离子电池中进一步发展进行了展望，并提出了所面临的挑战和可行的解决方案。
相关研究成果以“Hierarchical Porous N/S-doped Carbon with Machine Learning to Predict Advanced Potassium-Ion Batteries”为题，于近日发表在Journal of Materials Chemistry A上。该工作第一作者是我所2201组博士后毕克。该研究工作得到国家自然科学基金、辽宁省振兴人才计划、江苏省重点研发计划等项目的支持。
