基于无监督机器学习（Unsupervised Machine Learning）识别对称赝电容器（Symmetric Pseudocapacitor）电极用高性能金属氧化物基材料

《Next Materials》：High performing metal oxide based materials identified for symmetric pseudocapacitor electrodes using unsupervised machine learning

　　

摘要：超级电容器（Supercapacitors）因其高功率密度和长循环寿命，被认为是电化学储能领域电池的良好替代方案。Soni等人此前利用网络爬虫（Web Scraping）和自然语言处理（Natural Language Processing, NLP）建立了涵盖超级电容器电极材料及其性能参数的大型数据库。研究人员使用该数据库的子集——由金属氧化物及其复合材料组成的对称赝电容器电极数据集，通过无监督机器学习（Unsupervised Machine Learning）技术中的K-means聚类和层次聚类（Hierarchical Clustering）来识别数据集中的固有分组。结果显示，K-means和层次聚类分别在划分为3簇和7簇时取得最高轮廓系数（Silhouette Score），分别为0.4755和0.4513。本研究发现其中一个聚类包含Co3O4、CeO2、CuMnO2、MnO2、TiO2及RuO2基复合材料，表现出异常优异的比电容（Specific Capacitance）和循环稳定性（Cyclability）。这是无监督机器学习技术首次应用于超级电容器研究领域以实现电极材料的聚类分析，该尝试识别了潜在高性能电极材料的特征模式，从而降低了针对特定性能需求的材料筛选复杂度。

论文解读：基于无监督机器学习识别对称赝电容器电极用高性能金属氧化物基材料

研究背景与目的

超级电容器（Supercapacitors，亦称电化学电容器）按电极机理分为双电层电容器（EDLCs）、赝电容器（Pseudocapacitors）及混合电容器。金属氧化物因具多价态氧化还原活性、可调带隙及氧空位特性，是赝电容电极的重要候选材料，常与碳材料、导电聚合物形成复合电极以提升性能。然而，金属氧化物种类繁多、组分与纳米结构多样，传统试错法筛选高性能电极材料耗时费力，且现有机器学习在超级电容器领域多用于预测特定材料性能（如有监督学习），缺乏对金属氧化物及其复合材料整体数据库中隐含性能分组的挖掘。Soni等人曾通过Web Scraping和NLP构建了含28,269条记录的超级电容器文献数据库，本研究基于此，提取其中的金属氧化物及复合材料对称电极子集（保留比电容Specific Capacitance, F/g和循环次数Cycles两个核心指标），采用无监督机器学习（Unsupervised Machine Learning）——K-means聚类与层次聚类（Hierarchical Clustering），旨在自动识别具高比电容与高循环稳定性的电极材料聚类，为材料筛选提供数据驱动的方法学框架。该研究成果发表于《Next Materials》。

主要关键技术方法

研究人员从Soni等人报道的超级电容器全数据库中筛选对称器件（阴阳极为同种材料）且电极含金属氧化物的记录，经数据清洗（去缺失值、保留电极材料/比电容/循环次数字段）得到初始数据集；通过正则表达式匹配七大类金属氧化物（XO、XO₂、XO₃、X₂O、X₂O₃、X₂O₅、X₃O₄）及其复合材料，同一材料取最高报道比电容值，最终获得182种独特电极材料组合。采用Python（Pandas、NumPy、Matplotlib、Scikit-learn、SciPy）实现：(1) K-means聚类，以肘部法则（Elbow Method）确定最佳簇数k，计算轮廓系数（Silhouette Score, SS）评估；(2) 层次聚类（Agglomerative），生成树状图（Dendrogram），测试2~7簇的SS。以SS最大值判定最优聚类方案，并提取高性能聚类中的电极材料列表进行比对分析。

研究结果

3.1 聚类（Clustering）

数据集含182种独特金属氧化物基电极组合，比电容与循环稳定性呈较宽分布。分别实施K-means与层次聚类，以比电容（x轴）和循环次数（y轴）为二维特征空间进行分组。

3.1.1 K-means聚类（K-means Clustering）

肘部图显示在k=3处WCSS（Within-Cluster Sum of Squares）下降趋缓，确定为最佳簇数。K-means划为3簇（KM_3_1低比电容短寿命、KM_3_2中等、KM_3_3高比电容高循环）时SS最高（0.4755）。其中KM_3_3（绿色簇）含24种电极材料，典型如Co₃O₄、Co₃O₄-GC、Co₃O₄@C@MnO₂、CuMnO₂-rGO、MnO₂微球、TiO₂-C、h-RuO₂等，该簇平均比电容1631.09 F/g，平均循环次数3637次，最高单值比电容达3344.1 F/g（Co₃O₄），表明此聚类对应兼具高赝电容与较好循环性的电极材料组。

3.1.2 层次聚类（Hierarchical Clustering）

树状图显示可大致分为两大支（分别对应较低与较高性能组），进一步切分测试显示7簇时SS最高（0.4513）。第7簇（HC_7_7，黄色簇）为高性能子组，含9种材料：Co₃O₄、CoMoO₄@C@MnO₂、CuMnO₂-rGO、MnNiCoO₄、NiGa₂O₄@MnO₂、S-ZIF-Co₃O₄、Sr(OH)₂/CoO(OH)、γ-Fe₂O₃NH、Fe₃O₄-rGO-MoO₃，平均比电容1884.6 F/g，平均循环5667次。HC_7_7材料集合是KM_3_3的真子集，说明层次聚类在更细粒度下确认了这批顶级性能材料。

3.2 评估（Evaluation）

不同簇数的SS值：K-means在k=3时SS=0.4755为最大（k=2时0.444，k=4时0.4398，k=5时0.4157，k=6时0.4417，k=7时0.4719）；层次聚类在7簇时SS=0.4513为最大（2簇0.4456，3簇0.4298，4簇0.4159，5簇0.4177，6簇0.4371）。K-means三簇方案的SS略高于层次聚类七簇方案，且三簇划分与超级电容器经典分类（EDLC、赝电容、混合）有一定对应性。高性能聚类（KM_3_3及HC_7_7）中材料共性为具多价氧化还原活性金属离子（Co²⁺/Co³⁺、Mn³⁺/Mn⁴⁺、Ce³⁺/Ce⁴⁺等）、常与高导电基底（石墨烯/rGO、碳、导电聚合物）复合以降低氧化物本征电阻、具纳米结构（介孔、中空等）促进离子扩散，且多由水热或溶胶-凝胶法合成获得高比表面积形貌，这些结构-工艺-性能关联在聚类中得以体现。

讨论与结论翻译（Conclusion部分浓缩总结）

研究人员对超级电容器用金属氧化物及复合材料电极进行了无监督聚类分析（K-means与层次聚类），并以轮廓系数评估。K-means划分为3簇时取得最高轮廓系数0.4755（层次聚类7簇时为0.4513）。研究识别出含Co₃O₄、CeO₂、CuMnO₂、MnO₂、TiO₂、RuO₂及CoMoO₄、MnNiCoO₄、NiGa₂O₄、Fe₂O₃基复合材料的高性能聚类，该类材料表现出优异的比电容与循环稳定性。本工作通过揭示电极材料性能内在相似性分组，明确了优选材料范围，所建立的无监督学习材料筛选框架可推广至其他材料数据库，为超级电容器电极材料高通量初筛提供了新方法学参考。