期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
AI for Science时代下的电池平台化智能研发
1
作者 谢莹莹 邓斌 +2 位作者 张与之 王晓旭 张林峰 《储能科学与技术》 CAS CSCD 北大核心 2024年第9期3182-3197,共16页
在AI for Science时代,电池设计自动化智能研发(battery design automation,BDA)平台通过整合先进的人工智能技术,为电池研发领域带来了革命性进展。BDA平台覆盖了文献调研、实验设计、合成制备、表征测试和分析优化这五个电池研发的关... 在AI for Science时代,电池设计自动化智能研发(battery design automation,BDA)平台通过整合先进的人工智能技术,为电池研发领域带来了革命性进展。BDA平台覆盖了文献调研、实验设计、合成制备、表征测试和分析优化这五个电池研发的关键环节,利用机器学习、多尺度建模、预训练模型等先进算法,结合软件工程开发用户交互友好的工具,加速从理论设计到实验验证的整个电池研发周期。通过自动化的实验设计、合成制备、表征测试和性能优化,BDA平台不仅提升了研发效率,还提高了电池设计的精确度和可靠性,推动了电池技术向更高能量密度、更长循环寿命和更低成本的方向发展。 展开更多
关键词 AI for Science 电池 智能研发 机器学习 BDA 多尺度
在线阅读 下载PDF
深度势能方法及其在电化学储能材料中的应用 被引量:1
2
作者 邓斌 华海明 +2 位作者 张与之 王晓旭 张林峰 《储能科学与技术》 CAS CSCD 北大核心 2024年第9期2884-2906,共23页
深度势能模型(deep potential,DP)通过先进的机器学习技术,从大量的原子结构和能量数据中提取知识,构建出高精度的势能面。这一创新方法有效突破了传统力场方法的局限,为材料科学领域带来了新的视角。本文概述了DP模型和软件的基本原理... 深度势能模型(deep potential,DP)通过先进的机器学习技术,从大量的原子结构和能量数据中提取知识,构建出高精度的势能面。这一创新方法有效突破了传统力场方法的局限,为材料科学领域带来了新的视角。本文概述了DP模型和软件的基本原理、开发进展与应用流程,回顾了其在电化学储能材料设计中的应用,展示了DP模型在揭示电池材料微观结构和动力学行为方面的优势。在正负极材料的研究中,精确描述脱嵌锂过程中材料的结构演变和自由能变化;在固态电解质的研究中,精确描述了材料结构与离子输运行为;在电解液的研究中,不仅提高了对溶液动态结构和性质的认识,还为氧化还原电位、酸度等物理化学性质的精确计算提供了新策略;在界面的研究中,准确解析了界面形成过程中的结构演变以及性质。这些对材料的准确描述均有利于加速对能源材料的开发。同时,指出了DP模型在电池材料模拟中仍需改进的问题,并展望了其在电池材料设计和优化中的潜在应用前景。结果说明,深度势能模型作为一种强大的计算工具,在电化学储能材料的研究中展现出巨大的应用潜力。通过不断的模型优化和算法创新,DP模型有望在未来的材料设计和电池技术发展中发挥更加关键的作用。 展开更多
关键词 深度势能 分子模拟 储能材料 神经网络
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部