摘要

近日，华东师范大学物理与电子科学学院、上海市磁共振重点实验室、医学磁共振与分子影像技术研究院的潘丽坤教授、杨光副研究员团队王成龙专任副研和扬州大学的李家宝博士在Chemical Engineering Journal期刊发表题为“Rapidly evaluating electrochemical performance of transition metal disulfides for lithium ion batteries using machine learning classifier”的论文。

图1为论文首页截图

研究人员获取了218种过渡金属二硫化物（TMS2），采用三重标准进行系统性筛选：首先自动提取了文献中普遍提及的4个实验参数（金属电负性、形貌类别、电压窗口、电流密度）并构建218种样本的高质量数据集；其次基于容量等级标准，将连续比容量离散为A–E五档，训练梯度提升分类器（GBC）实现0.97 AUROC的精准预测；最后结合实验验证标准，定向合成花状MoS2、颗粒状CoS2/VS2等代表材料，在0.1–5 A g-1 多电流密度下实测容量等级与模型预测高度吻合。

图2. 用于预测 TMS2电极材料电化学性能的 ML 框架。

创新点

图3.数据分析和聚类结果

3.  实验验证的闭环设计

基于特征重要性分析（电负性、形貌为关键），定向合成了花状MoS2、MoS2/CoS2/VS2纳米颗粒，在多种电流密度下测试，实验容量等级与模型预测高度吻合

图4. 材料表征实验结果

结论