基于Transformer的自适应输入正极电压预测:面向多离子电池系统的通用框架

《Journal of Energy Chemistry》:Transformer-based prediction of cathode voltage with adaptive input: A general framework for multi-ion battery systems

【字体: 大 中 小 】 时间:2026年09月23日 来源:Journal of Energy Chemistry 15.6

编辑推荐:

   摘要准确预测平均阴极电压对于高性能金属离子电池的设计和优化至关重要。然而,许多机器学习方法依赖于固定的、大量的特征集,且预测精度有限,这限制了它们在探索性材料和高通量材料筛选中的应用,而在这些应用中输入信息往往是不完整的。在此,我们提出了一种基于Transformer的框架,

  

摘要

准确预测平均阴极电压对于高性能金属离子电池的设计和优化至关重要。然而,许多机器学习方法依赖于固定的、大量的特征集,且预测精度有限,这限制了它们在探索性材料和高通量材料筛选中的应用,而在这些应用中输入信息往往是不完整的。在此,我们提出了一种基于Transformer的框架,能够在灵活的输入条件下预测不同金属离子体系的平均阴极电压。该框架采用微调的预训练模型来编码阴极晶体结构,并在统一的描述符策略中将结构表征与元素身份及内在化学性质相结合。这一设计在可用时灵活地纳入额外描述符,同时在稀疏输入场景下保持稳健的性能。在基准数据集上,模型实现了0.158 V的平均绝对误差和0.979的确定系数,优于此前报道的电压预测模型。此外,可解释性分析识别了关键预测描述符,并实现了有理有据的特征剪枝,通过减少弱信息输入进一步提升精度。总体而言,该方法为电压预测提供了一条通用且高效的途径,并支持新型阴极材料的发现。

引言

电化学储能技术,特别是可充电电池系统,已成为应对化石燃料枯竭和能源资源分布不均挑战不可或缺的手段[1],[2],[3]。在这些系统中,电极材料的固有性质关键地决定了能量密度和操作安全性等关键性能指标,使其理性设计与优化成为核心研究优先事项,尤其是在日益严格的性能要求下[4],[5]。对于嵌入型金属离子电池,能量存储通过金属离子在两个电极之间可逆地插入和提取来实现[6],[7],[8],[9]。该机制表明,实现高能量密度从根本上依赖于增大电极电位差,使平均电压成为连接热力学驱动力与实际电池性能的关键描述符,从而凸显了高电压阴极材料的重要性。然而,追求更高电压必须与结构稳定性和系统兼容性相平衡,以确保安全运行。在此背景下,准确预测金属离子体系中的平均阴极电压对于评估已知材料和加速新阴极材料的发现至关重要。
机器学习近年来作为一种有效的阴极性质预测方法脱颖而出,实现了加速筛选并提供结构-性质关系的见解[10],[11],[12],[13],[14],[15],[16],[17],[18],[19],[20]。尽管取得了这些进展,但由于描述符可获得性和数据集覆盖范围的局限性,机器学习模型在阴极电压预测中的实用性仍然有限[21],[22]。在许多实际场景中,当只有部分结构、成分或热力学信息可用时,基于大量固定描述符集的模型难以部署。许多现有的阴极电压预测模型依赖于高维描述符,包括结构特征和许多热力学特征[23],[24],[25],[26],[27],[28]。这种依赖性限制了其在信息不完整或不可用时的适用性。虽然这些模型在定义明确的数据集内可以达到高精度,但对其大量输入特征的依赖限制了它们向未探索材料的可迁移性,从而限制了其在实际材料发现中的应用。这一问题的在早期材料发现阶段尤为突出,此时仅掌握基本信息。
为缓解这一局限,已探索了替代方法,包括仅基于结构描述符的模型[29],[30],[31],[32]和由密度泛函理论计算辅助的方法[33]。此外,基于化学式的机器学习模型已应用于电压预测[34],[35],[36]。虽然基于化学式的方法最小化了输入维度,但它们无法区分同质异形体并忽视了与结构敏感的电压差异。更普遍地说,这些简化的流程显示出有限的预测精度,并依赖于静态的、非自适应的描述符集。同样重要的是可解释的特征归因分析,它可以指导有理有据的描述符剪枝。然而,很少有现有的电压预测模型提供基于消融的重要性分析来支持这种优化而不牺牲精度。
与依赖固定描述符集的现有模型不同,我们提出了一种基于Transformer的[37]框架,能够自适应地使用可用输入来预测不同金属离子体系的平均阴极电压。通过将预训练和微调模型的结构表征与元素身份和内在化学性质相结合,该模型将结构和成分相关输入融合用于电压预测。基准评估表明,该框架能够灵活地纳入可用描述符,随着更多信息特征的纳入预测精度不断提高,最终实现0.158 V的平均绝对误差(MAE)和0.979的确定系数(R2),优于此前报道的电压预测模型。此外,由于输入模块化组织,基于消融的重要性分析识别了非必要的描述符并指导特征剪枝,在不牺牲预测可靠性的情况下将MAE从0.158降至0.150 V。总体而言,该框架通过多源描述符融合和消融引导的优化提升了预测精度和输入适应性,为精确电压预测和高性能阴极的理性设计提供了一条灵活的路径。

章节片段

数据收集与处理

在本工作中,目标值即平均阴极电压是与在阴极的两种晶体结构之间转移工作离子相关的平均嵌入电压:充电状态(离子提取)宿主和放电状态(离子插入)宿主。在通常的室温近似下,它由公式(1)给出。Vˉ≈Edischarge-Echarge-n×Eionn×F其中 Vˉ 为平均嵌入电压;Edischarge 和 Echarge 分别为放电状态和充电状态的内能

模型结构

如图3所示,基于标准Transformer架构构建了一个双描述符回归模型。在经典Transformer中,一个令牌表示序列分割和语义处理的最小单位。然而,在我们的模型中,编码器中的一个令牌代表材料中的一种元素,而解码器中的基于性质的令牌则作为材料中所有元素某项性质的统计表征。如果阴极的全局特征是

结论

总之,我们提出了一种基于Transformer的平均阴极电压预测框架,其中从放电状态化学式导出的成分表征通过编码器-解码器融合与微调的结构嵌入及其他可用输入相结合。在测试集上,完整模型实现了0.158 V的MAE,优于在可比条件下训练的MLP和RF基线模型,同时在使用部分输入子集时仍保持有用的预测性能

作者贡献声明

张兴寿:写作 – 原稿撰写、软件、形式化分析、数据管理。陈海远:写作 – 审阅与编辑、监督、概念化。牛晓斌:监督、资源。

生成式AI及AI辅助技术在写作过程中的声明

声明:在本工作准备期间,作者使用了Gemini来提高稿件的语言质量。使用该工具后,作者根据需要审阅和编辑了内容,并对已发表文章的内容承担全部责任。

附加信息

补充材料:本研究的补充材料可在线获取,地址为[URL]。

数据可用性

本研究使用的数据和代码可在 https://github.com/zxs443/AdTrans 获取。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争经济利益或个人关系。

致谢

作者感谢四川省自然科学基金创新研究群体项目(2025NSFTD0022)和天府峨眉计划的资金支持。我们还感谢电子科技大学高性能计算平台提供计算资源。
张兴寿 目前是中国电子科技大学的研究生。他在陈海远副教授的指导下在材料与能源学院攻读硕士学位。他的研究聚焦于应用机器学习解决材料科学挑战,尤其是与电池相关材料相关的问题。
张兴寿 | 陈海远 | 牛晓斌
相关新闻
生物通微信公众号
微信
新浪微博

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