多硫化锂的催化转化是抑制锂电池穿梭效应的一种有效方法。然而，这种催化体系的机理尚不清楚，这阻碍了阴极催化剂的合理设计。在这里，清华大学Zhou Guangmin通过机器学习辅助设计二进制描述符以破译硫还原动力学的电子和结构影响。

本文要点：

1) 作者提出了一种用于锂硫电池性能的二进制描述符的机器学习辅助设计，该描述符由带匹配指数和晶格失配指数组成，它捕捉了阴极材料的电子和结构贡献。在镍基催化剂中，NiSe₂表现出中等的带匹配指数和最小的晶格失配指数，并被预测和随后验证可以改善硫还原动力学和循环稳定性，即使在15.0 mg cm⁻²的高硫负载量下也是如此。

2) 在高硫负载和贫电解质操作下，具有NiSe₂的软包电池具有402 Wh kg⁻¹的质量比能量 。该工作从电子和结构方面对催化活性的基本理解为设计Li–S电池催化剂提供了新视角。

参考文献：

Zhiyuan Han et.al Machine-learning-assisted design of a binary descriptor to decipher electronic and structural effects on sulfur reduction kinetics Nature Catalysis 2023

DOI: 10.1038/s41929-023-01041-z

https://doi.org/10.1038/s41929-023-01041-z