de.wedoany.com-Bericht: Ein Forscherteam unter der Leitung von Professor Pang Quanquan von der Fakultät für Materialwissenschaft und Werkstofftechnik der Universität Peking hat in Zusammenarbeit mit der Tsinghua-Universität, dem Lawrence Berkeley National Laboratory, der Princeton University und der SESAICorp. einen zweistufigen KI-Rahmen entwickelt, der tiefes aktives Lernen mit Wissenstransfer kombiniert, um die Entwicklung von Elektrolyten für Lithium-Metall-Batterien voranzutreiben. Dies ermöglicht eine schnelle Identifizierung leistungsstarker Elektrolyte und den transferierbaren Wissenstransfer über verschiedene Designszenarien hinweg. Die entsprechenden Forschungsergebnisse wurden am 27. März vorab online in Nature Communications veröffentlicht.
Aufgrund ihrer extrem hohen theoretischen Energiedichte gelten Lithium-Metall-Batterien als zentrale Entwicklungsrichtung für die nächste Generation von Energiespeichern und Antriebsbatterien. Allerdings behindern Probleme wie die geringe Coulomb-Effizienz der Lithium-Metall-Anode und die schlechte Grenzflächenstabilität seit langem ihre großflächige Anwendung. Der Elektrolyt ist eine Kernkomponente zur Steuerung der Anodengrenzfläche und zur Bestimmung der Batterielebensdauer. Sein Design steht vor einem riesigen, diskreten chemischen Suchraum, der durch Kombinationen von Lithiumsalzen, Lösungsmitteln, Additiven und Konzentrationen gebildet wird. Herkömmliche „Versuch-und-Irrtum"-Forschungsansätze sind mit hohen experimentellen Kosten und langen Zyklen verbunden und können komplexe Szenarien wie die Einführung neuer Moleküle und die Erweiterung hochdimensionaler Formulierungen nur schwer bewältigen.
Um den Herausforderungen des Elektrolytdesigns – „großer Suchraum, diskontinuierliche Leistungsbeziehungen, hohes experimentelles Rauschen" – zu begegnen, entwickelte das Forschungsteam einen zweistufigen Rahmen, der Deep Active Learning (DAL) mit Target Statistical Coding (TSC) kombiniert. Die erste Stufe konzentriert sich auf einen anfänglichen Raum von 720 Elektrolytformulierungen, die aus Lithiumsalzen, Lösungsmitteln, Additiven und Konzentrationen bestehen. Es nutzt tiefes Kernlernen in Kombination mit dem Thompson-Stichprobenalgorithmus, um Experimente intelligent auszuwählen und eine nichtlineare Beziehung zwischen Elektrolytformulierungen und Batterielebensdauer herzustellen. In der zweiten Stufe werden durch die Target-Statistical-Coding-Technik die komplexen Korrelationen zwischen den Komponenten explizit in ein wiederverwendbares und transferierbares Wissenssystem für das Elektrolytdesign kodiert, wodurch die Beschränkungen eines einzelnen Formulierungsraums überwunden werden.
Die experimentellen Ergebnisse zeigen, dass im anfänglichen Raum von 720 Formulierungen nach nur drei Iterationen des tiefen aktiven Lernens und insgesamt 128 getesteten Batteriezellen die durchschnittliche Zyklenlebensdauer der Batterien von 41,9 Zyklen in der zufälligen Screening-Phase auf 125,1 Zyklen anstieg; der Anteil der Batterien mit kurzer Lebensdauer sank von 80,6 % auf 28,1 %, während der Anteil der Batterien mit langer Lebensdauer von 9,7 % auf 40,6 % anstieg. Die fünf besten identifizierten hochwertigen Elektrolyte zeigten eine insgesamt deutlich überlegene Leistung im Vergleich zu veröffentlichten leistungsstarken Literaturformulierungen desselben Typs.
Das Wissen über das Elektrolytdesign ermöglichte einen effizienten transferierbaren Wissenstransfer. Nach der Erweiterung des anfänglichen Raums von 720 Formulierungen auf einen höherdimensionalen Kandidatenraum von 5400 Formulierungen erreichten die fünf besten Formulierungen unter Zero-Shot-Bedingungen eine durchschnittliche Zyklenlebensdauer von 200,6 Zyklen, was einer Steigerung um das 1,6-fache gegenüber dem optimalen Niveau des ursprünglichen Raums entspricht. In einem Lithium-Metall/NCM811-Vollbatteriesystem erreichte die durchschnittliche Kapazitätserhaltungsrate nach 100 Zyklen mit den transferierten Elektrolyten 84,0 %, weit über den 58,2 % der ersten Formulierungsrunde. Bei der Konfrontation mit einem neuen Raum von 5760 Formulierungen, der durch die Einführung neuer Moleküle aufgebaut wurde, stieg die durchschnittliche Kapazitätserhaltungsrate nach 150 Zyklen durch ein einziges Experiment mit nur 32 Proben von 24,4 % auf 56,5 %, und die optimale Formulierung wies nach 250 Zyklen immer noch eine Kapazitätserhaltungsrate von 83 % auf.
Diese Studie kombiniert tiefes aktives Lernen mit Wissenstransfer und bietet ein neues, probensparendes, effizientes und transferierbares Paradigma für die intelligente Entwicklung von Elektrolytsystemen. Die Forschungsarbeit wurde gemeinsam von der Universität Peking, der Tsinghua-Universität, dem Lawrence Berkeley National Laboratory, der Princeton University und der SESAICorp. durchgeführt, wobei die Universität Peking die erstkommunizierende Einheit ist. Professor Pang Quanquan von der Universität Peking, außerordentlicher Professor Jiang Benben von der Tsinghua-Universität und Xu Kang von der SESAICorp. sind die gemeinsamen korrespondierenden Autoren. Der 2025er Doktorand der Universität Peking, Hong Xufeng, ist der Erstautor, und der Doktorand der Tsinghua-Universität, Wang Xizhe, ist der Co-Erstautor. Die Forschungsarbeit wurde durch mehrere Fonds unterstützt, darunter das National Key R&D Program of China, die National Natural Science Foundation of China, den Tsinghua-Toyota Joint Research Fund, die Beijing Natural Science Foundation, das Beijing National Research Center for Information Science and Technology und das 111 International Cooperation Project.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
