基于逆向生成机器学习算法的电池电极微观结构数字合成框架

《npj Computational Materials》：Framework for digital synthesis of battery electrode microstructure using inverse generative machine learning algorithm

　　

摘要

锂离子电池中电极的微观结构会显著影响活性物质的传输与电化学行为，进而决定电池的整体性能。尽管已有众多研究探讨电极微观结构变化对电池性能的影响，但能够根据目标性能直接生成电极微观结构图像的研究仍然较少。实现这样的数字合成将为当前的研究方法带来重大变革，通过提供基于数据的明确指导，帮助设计出具备理想性能特性的电极，从而加速电池技术的创新。作为实现这一目标的第一步，本研究提出了一种数据驱动框架，该框架将基于物理的电池建模与先进的深度学习算法相结合，以实现电极微观结构的可控生成。利用这种方法，可以根据目标性能指标成功生成石墨和复合负极电极的逼真微观结构。所提出的框架整合了基于物理模型生成的电池性能数据、用于性能预测的时序机器学习模型以及用于微观结构合成的图像生成模型。这种一体化方法可作为电池开发者的实用工具，加速基于微观结构优化的电极设计。此外，该框架还可扩展应用于电池的其他组件，为整个电池系统的高性能数字化设计提供新的策略。