文献类型：期刊文章

作　　者：施思齐[1,2,5] 涂章伟[1] 邹欣欣[3] 孙拾雨[2] 杨正伟[3] 刘悦[3,4]

SHI Siqi;TU Zhangwei;ZOU Xinxin;SUN Shiyu;YANG Zhengwei;LIU Yue(School of Materials Science and Engineering,Shanghai University;Materials Genome Institute,Shanghai University;School of Computer Engineering and Science,Shanghai University;Shanghai Engineering Research Center of Intelligent Computing System,Shanghai,200444,China;Zhejiang Laboratory,Hangzhou 311100,Zhejiang,China)

机构地区：[1]上海大学材料科学与工程学院 [2]上海大学材料基因组工程研究院 [3]上海大学计算机工程与科学学院 [4]上海市智能计算系统工程技术研究中心,上海200444 [5]之江实验室,浙江杭州311100

出　　处：《储能科学与技术》

基　　金：国家重点研发计划项目(2021YFB3802100);国家自然科学基金面上项目(52073169);之江实验室科研攻关项目(2021PE0AC02)。

年　　份：2022

卷　　号：11

期　　号：3

起止页码：739-759

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：储能电池的关键是材料。继实验观测、理论研究和计算模拟之后,数据驱动的机器学习具有快速捕捉材料成分-结构-工艺-性能间复杂构效关系的优势,有望为电化学储能材料的研发提供新的范式。本文从结构化和非结构化数据驱动两方面,系统评述了机器学习在电化学储能材料研究中的最新进展。全面概括了可用于电化学储能材料机器学习的国内外材料数据库,分析了其数据的收集、共享和质量检测存在的问题;重点阐述了电化学储能材料中机器学习的工作流程和应用,包括结构化数据驱动下数据收集、特征工程和机器学习建模以及图形、表征图像和文献文本这类非结构化数据驱动下的模型构建和应用。进一步,厘清电化学储能材料领域机器学习面临的三大矛盾且给出对策,即高维度与小样本数据的矛盾与协调、模型复杂性与易用性的矛盾与统一、模型学习结果与专家经验的矛盾与融合,并提出构建“领域知识嵌入的机器学习方法”有望调和这些矛盾。本文将为机器学习在电化学储能材料设计和性能优化中的应用提供参考。

关 键 词：电化学储能材料  机器学习  材料数据库 领域知识

分 类 号：TP181]