亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Machine learning in energy storage material discovery and performance prediction

储能 计算机科学 能量(信号处理) 机器学习 人工智能 物理 热力学 功率(物理) 量子力学
作者
Guo-Chang Huang,Fuqiang Huang,Wujie Dong
出处
期刊:Chemical Engineering Journal [Elsevier]
卷期号:492: 152294-152294 被引量:5
标识
DOI:10.1016/j.cej.2024.152294
摘要

Energy storage material is one of the critical materials in modern life. However, due to the difficulty of material development, the existing mainstream batteries still use the materials system developed decades ago. Machine learning (ML) is rapidly changing the paradigm of energy storage material discovery and performance prediction due to its ability to solve complex problems efficiently and automatically. Various excellent works are constantly emerging in the field of ML assisted or dominated development of energy storage material, such as exploring of new materials, studying of battery performance, investigating of battery aging mechanism. In this paper, we methodically review recent advances in discovery and performance prediction of energy storage materials relying on ML. After a brief introduction to the general workflow of ML, we provide an overview of the current status and dilemmas of ML databases commonly used in energy storage materials. The typical applications and examples of ML to the finding of novel energy storage materials and the performance forecasting of electrode and electrolyte materials. Furthermore, we explore the dilemmas that will be faced in the development of applied ML-assisted or dominated energy storage materials and propose a corresponding outlook. This review systematically summarizes the current development of ML-assisted energy storage materials research, which is expected to point the way for its further development.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
朱朱子完成签到 ,获得积分10
5秒前
兔子不秃头y完成签到 ,获得积分10
6秒前
EmmaEmma完成签到,获得积分20
14秒前
菜菜蔡儿完成签到 ,获得积分10
28秒前
无问完成签到,获得积分10
40秒前
不去明知山完成签到 ,获得积分10
57秒前
王哈哈发布了新的文献求助10
1分钟前
1分钟前
shenhai发布了新的文献求助10
1分钟前
搜集达人应助王哈哈采纳,获得10
1分钟前
1分钟前
1分钟前
winkyyang完成签到 ,获得积分10
1分钟前
Luke Gee完成签到 ,获得积分10
1分钟前
斯文败类应助shenhai采纳,获得10
1分钟前
小可完成签到 ,获得积分10
1分钟前
暮桉完成签到,获得积分20
1分钟前
1分钟前
ahui发布了新的文献求助10
1分钟前
Ava应助暮桉采纳,获得10
1分钟前
1分钟前
科研小刘完成签到,获得积分10
1分钟前
1分钟前
爱科研的小周完成签到 ,获得积分10
1分钟前
1分钟前
明理的茹妖完成签到 ,获得积分10
1分钟前
he完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
2分钟前
英俊的铭应助泡面小猪采纳,获得10
2分钟前
勿昂完成签到 ,获得积分0
2分钟前
韶纹发布了新的文献求助10
2分钟前
愿祖国富强完成签到,获得积分20
2分钟前
希望天下0贩的0应助韶纹采纳,获得10
2分钟前
MMMgao完成签到 ,获得积分10
2分钟前
忧伤的皮皮虾完成签到 ,获得积分10
2分钟前
牛蛙丶丶完成签到,获得积分10
2分钟前
HS完成签到,获得积分10
2分钟前
2分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3136993
求助须知:如何正确求助?哪些是违规求助? 2787960
关于积分的说明 7784062
捐赠科研通 2444016
什么是DOI,文献DOI怎么找? 1299609
科研通“疑难数据库(出版商)”最低求助积分说明 625497
版权声明 600989