刘芯言
莘础与前沿研究院， 电子科技大学， 成都611731

详细摘要：以机器学习(ML)为代表的人工智能技术具有具有从大量统计数据中快速捕捉中隐藏规律的优势，然而目前能源化学研究中大多数模型要求高质量或大样本的数据集且大部分仍然是“黑箱模型”,其可解释性较差。 考虑到能源化学研究在数据体量及其表达形式方面不同于传统信息科学领域的特点，本报告着眼于建立“非黑箱“ML能源化学器件与材料预测模型， 利用廉价的理论和实验数据实现器件和材料两个层次上的高效、 精准性能预测， 并得到易获取的模型特征实现机理解耦、 反向指导实验设计。在材料层次上， 本报告将着重介绍巳发展的无须额外第一性原理计算的催化活性预测ML模型和催化剂高通量筛选框架， 并展示通过信息论方法从上述ML模型中可获取可解释的催化剂反向设计方案， 从而 大大加速了新催化剂的发现。 在器件层次上， 本报告将介绍基于转化化学机制的下一 代电池的ML寿命预测和容量衰减分析模型。 通过可解释的混合型ML框架， 可有效实现对基于转化化学的电池的循环性能预测和衰减机制解耦，为捚硫电池衰减机理提供了新的物理理解。 进一步针对现有的电池模型所需数据集数据量大、 质量要求高从而难以用于实验室研究的痛点， 也可利用时间序列分解从单个电池早期循 环电压曲线中提取特征， 建立通用的ML电池在线预测模型， 实现对实验室组装的不同电极材料、 电解液组成和循环条件的梩金属电池容量衰减轨迹的在线预测。
关键词：机器学习；可解释性；高通量筛选；反向设计；
参考文献：

[1] Liu, X. Y.; Peng, H. J.*; Li, B. Q.; Chen, X.; Li, Z.; Huang, J. Q.; Zhang, Q., Angewandte Chemie International Edition 2022, 61, e202214037
[2] Liu, X. Y.; Zhang, X. Q.; Chen, X.; Zhu, G. L.; Yan, C.; Huang, J. Q.; Peng, H. J. *, Journal of Energy Chemistry 2022, 68, 548-555
[3] Liu, X. Y.; Cai, C.; Zhao, W. H.; Peng, H. J. *; Wang, T. *, ACS Catalysis 2022, 12, 4252-4260