近几十年来，超过10万篇科学文章致力于超级电容器和电池电极材料的开发。然而，围绕法拉第反应中电化学行为的确定标准仍存在激烈的争论，因为各种电极材料产生的电化学信号及其不同的物理化学性质常常使问题复杂化。困难在于无法通过简单的二元分类来确定这些材料属于哪种电极类型（电池还是伪电容器）。

静冈理工科大学Olivier Fontaine等将图像分类的监督机器学习应用于电化学形状分析（超过5500条循环伏安曲线和2900条恒电流充放电曲线），预测的置信百分比反映了曲线的形状趋势。

本文要点：

（1）

该预测器不仅超越了基于人类的分类的局限性，还提供了有关电化学行为的统计趋势。

（2）

值得注意的是，对于每周发布一百多篇文章的电化学储能社区来说尤为重要的是，作者创建了一个在线工具来轻松对它们的数据进行分类。

参考文献:

Deebansok, S., Deng, J., Le Calvez, E. et al. Capacitive tendency concept alongside supervised machine-learning toward classifying electrochemical behavior of battery and pseudocapacitor materials. Nat Commun 15, 1133 (2024).

DOI: 10.1038/s41467-024-45394-w

https://doi.org/10.1038/s41467-024-45394-w