综述：通往由机器学习驱动的固态电解质电池自主系统的道路：设计、制造与寿命预测

《ACS Applied Energy Materials》：Path to Machine Learning-Driven Autonomous Systems for Solid-State Electrolyte Batteries: Design, Fabrication, and Lifetime Prediction

固态电池研发中机器学习实现电解质筛选、制造优化与寿命预测的数据驱动流程，显著提升研发效率和规模。

　　

固态电池（SSB）在能量密度和安全性方面具有巨大潜力，这是当今锂离子技术无法实现的。然而，固态电解质的发现、制造和测试周期缓慢且分散，这限制了其发展速度。本文综述了机器学习（ML）如何开始将这些传统上相互独立的环节整合成一个连贯的、以数据驱动的流程。首先，我们探讨了材料发现工作流程，这些流程可以筛选出数百万种假设的电解质，最终筛选出在室温下导电性高且电化学窗口宽的候选材料。接着，我们介绍了利用ML加速的制造研究，这类研究通常能将实验迭代次数减少70%至80%，同时优化制造过程。在电池单元层面，基于物理原理的神经网络和替代相场模型已被证明能够以循环级别的精度预测电池故障，为以数据为中心的寿命设计提供了依据。最后，我们重点介绍了那些实现了自动化运行的实验室：在这些实验室中，机器人技术、高通量表征工具和主动学习系统全天候运行闭环实验，能够在几天内而非几个月内开发出前所未有的新型电解质。通过将发现、加工和寿命预测方面的进展结合起来，我们认为ML正从一种事后分析工具转变为实时协作工具，以前所未有的速度和规模推动固态电池向商业可行的高能量系统发展。