综述:将人工智能与电化学科学相结合,以实现先进的能量存储技术

《Journal of Energy Storage》:Integrating artificial intelligence with electrochemical science for advanced energy storage

【字体: 大 中 小 】 时间:2026年01月13日 来源:Journal of Energy Storage 9.8

编辑推荐:

  AI与机器学习加速电化学储能材料发现与性能预测,推动自主实验室发展并解决复杂多尺度问题。

  
安娜·基蒂克(Anna Kityk)| 维利安·帕夫利克(Viliam Pavlik)| 米罗斯拉夫·赫纳特科(Miroslav Hnatko)
斯洛伐克科学院先进材料应用中心,Dúbravská cesta 5807/9,84511,布拉迪斯拉发,斯洛伐克

摘要

电化学系统在现代能源存储技术中发挥着关键作用,从便携设备到大规模电网应用都有涉及。然而,电化学存储材料的发现、优化和机理理解仍然具有复杂性且需要大量资源。人工智能(AI)和机器学习(ML)的进步正在加速这一进程,使得材料设计更加智能,筛选速度更快,对机理的理解也更加深入。本文综述了AI和ML如何应用于电化学储能研究,重点关注电池、超级电容器和电化学传感器。主要进展包括AI引导的电极和电解质材料发现、退化和寿命分析的预测建模、腐蚀评估,以及通过自动化电化学实验室实现的工作流程自动化。此外,还讨论了相关应用,如用于氢生产和二氧化碳转化的电催化剂设计,及其在长时储能和可再生能源集成方面的潜力。文章指出了存在的挑战和未来发展方向,强调了跨学科合作的必要性。本综述展示了数据驱动的方法如何重塑电化学科学并加速可持续储能技术的创新。

引言

电化学系统是我们这个时代一些最关键技术的核心,从可充电电池和燃料电池到用于氢生产的电催化二氧化碳还原和水分解[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]。随着世界向可持续能源解决方案转型,对高性能、耐用且成本效益高的电化学材料和工艺的需求从未如此迫切。然而,由于涉及的化学空间广泛和多尺度现象,这些复杂系统的设计、合成和优化仍然面临巨大的科学和工程挑战。
传统上,电化学研究的进展依赖于迭代实验研究与计算建模[12]、[13]、[14]。尽管这些方法取得了显著突破,但它们通常耗时较长、资源密集,并且受到变量复杂性的限制。原子尺度反应、材料微观结构与器件级性能之间的复杂相互作用需要新的工具来高效连接和解释大量多样的数据集。
AI和ML的最新进展开始重塑材料科学的格局,为加速发现和理解提供了前所未有的机会[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]。通过利用大型数据库、高通量模拟和实验数据,AI驱动的方法可以学习结构-性能-关系,预测最佳材料候选者,甚至提出人类直觉可能忽略的全新化学方案。
除了材料发现之外,AI在预测电化学性能和退化机制方面也显示出巨大潜力。例如,数据驱动的AI模型可以比传统方法更早地预测电池的健康状态和寿命,从而实现更好的设计和更安全的操作[25]、[26]、[27]、[28]。同样,在电催化领域,AI和ML可以帮助阐明反应路径和过电势,指导更高效和选择性催化剂的合理开发[29]、[30]、[31]、[32]、[33]。
重要的是,AI的影响还扩展到数据驱动的实验、自动化实验室和工业过程控制[34]、[35]、[36]、[37]、[38]。复杂的算法可以自动化分析复杂的电化学信号,识别细微模式,并实时优化实验条件。机器人技术与闭环AI系统的结合正在为无需人工干预即可运行数百次实验的自主实验室铺平道路,极大地加快了发现的速度[39]。
本文探讨了AI和ML在电化学研究中的快速演变作用,重点关注新兴应用、关键方法以及其在储能系统中的未来潜力。文章围绕四个主要主题展开:(1) AI加速的电化学储能材料发现,包括用于氢生产和二氧化碳电解器的电池、超级电容器和电催化剂作为可储存能量载体;(2) AI/ML与电化学技术的结合,用于腐蚀评估、性能预测和储能装置的机理理解;(3) 自主电化学实验室的发展;(4) 形成该领域发展的核心挑战和未来方向。在这些领域中,文章强调了近期突破、跨学科策略以及必须解决的技术和基础设施挑战,以充分发挥AI在推进下一代电化学储能技术方面的潜力。

部分摘录

AI/ML加速材料发现

电池、燃料电池、超级电容器和电解器等电化学技术的快速发展在很大程度上依赖于具有优异性能、稳定性和成本效益的新材料的开发。传统的材料发现方法越来越无法满足全球能源转型和可持续发展目标的迫切需求。AI,尤其是ML,正在彻底改变新材料的识别、设计和优化方式。

将AI和ML与电化学方法结合用于腐蚀评估和机理评估

最新进展表明,AI和ML技术可以显著提高循环伏安法(CV)、线性极化(LPR)、阻抗谱(EIS)等电化学测量的分析能力,从而更准确地估计腐蚀行为并阐明潜在的电化学机理。例如,R. Zhang等人的AutoEIS框架将贝叶斯模型选择应用于EIS数据,自动识别统计上合理的等效电路

AI和ML驱动的自主电化学实验室

AI和ML的最新进展实现了完全自动化的电化学实验平台,结合了机器人技术、主动学习算法和实时数据分析,以加速发现周期。
其中一个开创性的实现是将一个机器人测试台(“Otto”)连接到Dragonfly贝叶斯优化框架,自主探索水基电池电解质。在仅40小时的连续操作中,就发现了一种新型混合阴离子钠

AI和ML在电化学领域的挑战和未来方向

尽管AI和ML的集成显著推动了电化学研究的发展,但仍有一些关键挑战需要解决,以充分发挥自主和智能实验的潜力。

结论

AI和ML通过加速材料发现、提高性能预测和实现工作流程自动化,正在快速改变电化学储能研究。在电池和超级电容器领域,AI/ML改进了电极和电解质的设计,提高了寿命和退化预测能力,并指导了系统级优化。在电催化领域,AI/ML促进了用于氢生产和二氧化碳电解的催化剂筛选和开发。

CRediT作者贡献声明

安娜·基蒂克(Anna Kityk):撰写手稿的初稿和修订版本,负责监督、项目管理和资金获取,以及概念构思。维利安·帕夫利克(Viliam Pavlik):撰写初稿。米罗斯拉夫·赫纳特科(Miroslav Hnatko):撰写初稿,负责资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

这项工作得到了EU NextGenerationEU通过斯洛伐克恢复和韧性计划(项目编号:09I03-03-V04-00020和09I04-03-V02-00006)的资助。该研究是“斯洛伐克科学院先进材料应用中心建设”项目(ITMS项目代码:313021T081)的一部分,该项目得到了由欧洲区域发展基金(ERDF)资助的研究与创新运营计划的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号