机器学习（ML）在预测固态电解质（SSEs）性能方面具有巨大潜力。通过在ML框架内集成实验或/和模拟数据，可以加速高级SSE的发现和开发，最终促进其在储能系统中的应用。近日，厦门大学Zhang Qiaobao、洛阳师范学院Wu Naiteng、Liu Xianming、北京科技大学Wu Honghui对ML辅助的固态电解质性能预测进行了综述研究。
本文要点：
1) 作者首先介绍了SSE的背景，包括其明确的定义、全面的分类、固有的物理/化学性质、控制其导电性的潜在机制、挑战和未来发展。作者还对ML方法进行了深入的解释。随后，作者总结了影响SSE性能的关键因素，包括热膨胀、模量、扩散率、离子电导率、反应能、迁移势垒、带隙和活化能。
2) 最后，作者对下一代SSE的设计前提进行了展望，重点是实时性能预测、多性能优化，多尺度建模、迁移学习、自动化和高通量实验以及全电池的协同优化，所有这些都对加速SSE的进展至关重要。该综述旨在指导新型SSE材料的设计和优化，以便在储能技术中实际实现高效可靠的SSE。
Jin Li et.al Machine Learning-Assisted Property Prediction of Solid-State Electrolyte Adv. Energy Mater. 2024
DOI: 10.1002/aenm.202304480
https://doi.org/10.1002/aenm.202304480
