【IM交叉学科材料2022年第2期综述文章】清华大学南策文院士团队：储能材料中的机器学习

    化石燃料的日益枯竭和随之而来的环境恶化引发了全球范围内大力发展可持续替代能源。目前，一些可再生能源或清洁能源，如风能、水能和太阳能，已被认为是产生电能的有效解决方案。然而，无论何种能源，都不可避免地需要面对一个关键的挑战，即如何在大型电网和电动汽车及各类便携式终端设备之间实现各类波动能量的高效时空存储。因此，能量存储成为决定供电系统效率、稳定性和可靠性的关键一环。如图1(a)所示，目前介质电容器(DCs)和锂离子电池(LIBs)是两种常见的电能存储技术。得益于电偶极子的物理存储机制(图1(b)), DCs通常具有超高功率密度(~MW)，快速响应时间(~us)，高工作电压(~ MV m-1)和长循环寿命(>105次)，已然成为重要的基础电子元器件。然而，DCs的低能量密度(大多数情况下小于0.1 Wh kg-1)限制了其更广泛的应用。而对于基于电化学存储机制的LIBs(如图1(c)所示)，目前重量能量密度接近300 Wh kg-1，这使得混合动力或全电动汽车、便携式电子设备和其他基站应用得以快速扩展。然而，市场的爆发式增长对储能密度提出了更高的要求。此外，它们的充放电效率、寿命、可回收性和安全性也成为进一步应用拓展的障碍。尽管DCs和LIBs在最近几十年都得到了非常显著的改进，但它们在性能、耐久性、安全性、成本、可回收性等方面都无法满足未来能源存储和供电系统日益增长的需求。因此，应对上述重大挑战，我们需要以前所未有的速度和规模研发出高性能储能材料。

图1 (a)常见电能存储技术的功率密度和能量密度对比图 (b)介电电容器充电过程示意图 (c)锂离子电池放电过程示意图

随着机器学习(ML)的不断进步与发展，其在材料科学的研究范式革命中发挥着至关重要的作用，大幅度加速了储能材料的研发速度。一方面，计算机技术一直是机器学习和其他计算模拟的重要保障。自从第一台计算机(ENIAC，电子数字积分和计算机)被发明以来，计算机系统的功能已经得到了很大的改进，包括速度、准确性、可靠性、存储能力、适应性等。例如，与ENIAC每秒5000次的加法运算相比，现代超级计算机的计算速度达到了PFlops的量级(10¹⁵个浮点运算每秒)。此外，在执行复杂的ML模型时，数据存储能力的提升也可以高效地处理大量的矩阵乘法。另一方面，作为一种全新的、有效的方法，ML正在改变储能材料研发模式。通过将领域知识编码到ML模型中，不仅可以解析材料组分-结构-性能-工艺-服役的关联，还可以实现性能预测、新材料发现、多目标性能优化和逆向设计等。更重要的是，在处理一些传统物理建模过于困难或耗时的问题时，ML展现出巨大的潜力。在上述背景下，ML在材料研发范式转换与变革中的作用举足轻重。虽然ML在材料中的应用取得了阶段性进展，但仍有很多工作要做，尤其是加强材料与计算机/物理/数学学科之间的交叉融合。

本综述将总结ML驱动的储能材料研发工作，举例说明先进的ML技术是如何成功地用于解决各种科学问题。首先，如图2所示，我们归纳了一个常见的ML工作流程，其分六个基本步骤展开介绍，每个步骤中讨论了一些重要概念，基本方法，先进案例和关键挑战等。然后，以DCs和LIBs为例，从发现和设计储能材料、丰富理论模拟、辅助实验和表征三个方面分别介绍了ML在储能材料研发中的前沿进展。最后，展望了机器学习在材料研发中的几点挑战和机遇。

图2 常见机器学习模型的工作流程，包括目标、数据、特征、算法、评估和应用六个步骤。

1. 发现和设计储能材料

     通过结合不同的元素、成分和晶体/分子结构，我们拥有巨大的探索空间来研发新材料。然而，人工密集的试错实验过程耗时、成本高、效率低，延缓了储能材料的研发步伐。得益于计算技术和算法的改进，ML在加速发现新型储能材料方面展现巨大的潜力，如挖掘具有高介电常数或高击穿强度的电介质，预测具有高离子电导率的固体电解质等。

图3  (a)聚合物介电常数的机器学习预测流程 (b) 不同频率下聚合物介电常数和玻璃化转变温度Tg的机器学习预测结果 (c) 预测筛选的10种高Tg聚合物 (d) 钙钛矿本征击穿场强的机器学习预测

图4  (a)复合电介质材料击穿场强的机器学习框架 (b) 相场模拟与机器学习预测的击穿场强对比图

图5  (a)分层聚类方法生成的含锂化合物及其电导率 (b) 新型固态聚合物电解质性能预测的机器学习流程

2. 丰富理论模拟

     近些年来，理论模拟已被视为描述材料物理、力学、化学和材料工程领域本构关系的重要手段。到目前为止，已有许多成熟的理论可以用来研究不同时间和长度尺度下的各种材料现象，如量子力学、分子动力学、相场理论和有效介质理论。然而，对于复杂或多尺度的问题，现有的计算模拟通常需要消耗较高的计算成本和时间。ML的引入可以提高理论仿真的效率和准确性，并有可能在计算结果的基础上挖掘新机理。

图6  粗粒化分子动力学-贝叶斯优化框架

图7  聚合物纳米复合材料高通量计算-机器学习-定向实验的研发流程

3. 辅助实验制备和表征

     传统的实验过程高度依赖于人类的经验和直觉，导致储能材料的研发周期缓慢且成本较高。此外，材料研究对实验表征技术提出了越来越高的要求，部分已超出了现有先进技术的处理能力。为了克服这些局限性，研究人员正试图利用ML来辅助实验制备和表征，如探索最佳成分、优化实验工艺、提高表征技术等。 

图8  “电动汽车-电池-材料”多尺度机械安全性的机器学习预测模型

图9  双闭环反馈的机器学习模型指导陶瓷电介质材料的实验设计

图10  (a)具有模式识别和分类功能的人工智能原子力显微镜原理示意图 (b) 机器学习辅助分割结果与常规纳米层析成像表征结果对比