《Journal of Electroanalytical Chemistry》：EIS data analysis tools: recent advance and an AI-assisted EIS analysis web platform
编辑推荐：
自动电化学阻抗谱分析平台AIA-EIS通过集成自主异常检测、等效电路模型（ECM）智能选型与高精度参数拟合，实现EIS数据全流程自动化分析，验证显示其预测准确率达83.6%，显著优于商业工具ZSimpWin，为智能电化学实验室奠定基础。
赵朝阳|邹连恒|席亚军|张洪波|支慧|刘鹏|史鹏|金颖|黄菲菲
北京科技大学国家材料服役安全中心，北京 102206，中国
摘要
选择合适的电化学阻抗谱（EIS）数据分析工具对于获得准确的结果至关重要。本文全面回顾了过去三十年开发的EIS分析工具，总结了它们的历史演变、核心功能以及商业和开源解决方案的相对优缺点。我们指出了主要限制因素：高昂的成本和学习难度、有限的自动化程度以及人工智能（AI）整合不足。为了解决这些问题，我们开发了AIA-EIS这一基于网络的平台，该平台将我们自主研发的EIS分析模块整合到一个统一、全自动的系统中，具备自动异常值检测、等效电路模型（ECM）选择和ECM参数拟合功能。该平台支持主流的EIS数据格式，并能在三分钟内完成每个EIS的在线分析。在高通量局部化EIS数据上的验证表明，其数据分析性能卓越——ECM预测准确率达到83.6%，拟合精度比商业工具（ZSimpWin）高出一个数量级。这项工作不仅提供了一个集成的AI驱动的EIS分析平台，还为自动化和标准化电化学数据分析工作流程提供了前瞻性视角，为智能和自主运行的电化学实验室的建设铺平了道路。
部分摘录
EIS数据分析工具的进展与演变
假设电化学系统基本保持稳定，电化学阻抗谱（EIS）会对系统施加一个小振幅的正弦扰动E(ω)，并记录在宽频率范围内产生的电流响应I(ω)。然后通过Z(ω) = E(ω)/I(ω)获得阻抗。对Z(ω)的进一步分析可以提供关于电荷转移动力学、界面性质和整体电化学性能的定量见解。因此，EIS被广泛应用于
AIA-EIS网络平台框架
为了方便电化学工作者在各种终端上使用AIA-EIS服务，该平台可以通过多种联网设备访问，包括智能手机、平板电脑和台式电脑（图3中的用户层）。AIA-EIS的前端使用HTML5、CSS3、JavaScript和Jinja2技术构建和渲染（图3中的Web前端层）。后端层会依次执行每个EIS的三个自动化步骤：异常值检测与移除[30]、ECM选择和
AIA-EIS中的EIS分析模块
我们将EIS分析模块分为几个辅助功能和三个主要功能模块，具体内容如下所述。
展望
目前基于KKV的EIS数据质量评估方法已经成熟，并已集成到AIA-EIS中。然而，完全自动化的EIS分析仍面临一些关键挑战，我们对此提出了一些见解和可能的解决方案。
首先，现有的基于机器学习的ECM分类器在预测准确性、ECM类别多样性和泛化能力方面还有很大的提升空间。我们提出了未来改进的五个方向：
(i) 扩展和共享带有ECM标签的EIS数据集。
结论
我们系统地回顾了商业和开源EIS分析工具的历史演变、核心功能及其相对优缺点，强调了两者之间的交替主导地位，以及最近由AI推动的开源技术重新兴起的趋势。基于这些见解，我们推出了AIA-EIS——这是最早的AI驱动的、完全集成的基于网络的EIS分析平台之一，它提供了免费访问、自动异常值检测、ECM
CRediT作者贡献声明
赵朝阳：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，正式分析，数据管理，概念构思。邹连恒：可视化，软件开发。席亚军：撰写 – 原稿，数据管理。张洪波：概念构思。支慧：数据管理。刘鹏：数据管理。史鹏：撰写 – 审稿与编辑，监督，项目管理。金颖：撰写 – 审稿与编辑，监督，项目管理，资金获取。黄菲菲：
写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT来提高语言表达和可读性。使用该工具后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全责。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本研究得到了北京科技大学 Gainian Yanzheng 项目（项目编号GNYZ-2024-25）和国家自然科学基金（项目编号52171065）的资助。
