利用机器学习从相场模拟中识别锂枝晶形成过程中的温度效应

《ACS Energy Letters》：Identifying Temperature Effects of Lithium Dendrites Formation from Phase-Field Simulations Using Machine Learning

锂金属负极枝晶生长受温度复杂影响，本研究通过相场模型结合机器学习，揭示了温度对锂沉积的非单调依赖关系及最佳工艺参数范围，为高能锂金属电池开发提供理论指导。

　　

锂金属阳极具有极高的能量密度，但受到枝晶生长的限制，这影响了其安全性和稳定性。温度是一个关键且复杂的因素，它既影响离子扩散，也影响界面反应动力学，但其总体影响尚未明确。本文开发了一个包含阿伦尼乌斯型扩散和动力学的相场模型，以研究温度对锂沉积稳定性的影响。为克服高计算成本的限制，使用多层感知器对相场模拟数据进行了训练，以预测并插值出在广泛参数范围内的稳定沉积能力。该模型确定了不同扩散和动力学参数组合下的最佳温度范围，揭示了枝晶形成的非单调温度依赖性。这一基于机器学习的框架为温度调控的沉积行为提供了定量见解，并为高能量锂金属电池的电解质设计和操作策略提供了指导。