储能是许多快速发展的可持续技术的重要组成部分，包括电动汽车和可再生能源发电。尽管锂离子电池（LIB）占据了当前市场的主导地位，但锂是一种相对稀缺且昂贵的元素，给经济和供应稳定性带来了挑战。因此，世界各地的研究人员都在试验由更丰富的材料制成的新型电池。
图片来源：东京理科大学
钠离子（Na-ion）电池使用钠离子作为能量载体，由于钠的储量丰富、安全性更高、成本可能更低，因此成为LIB的有前途的替代品。特别是，含钠过渡金属层状氧化物（NaMeO2）是钠离子电池正极的强大材料，具有出色的能量密度和容量。
然而，对于由几种过渡金属组成的多元素层状氧化物，可能的组合数量之多使得寻找最佳材料组成既复杂又耗时。即使是过渡金属的选择和比例发生微小变化，也会导致晶体形态发生显著变化并影响电池性能。
据外媒报道，在最近的一项研究中，由Shinichi Komaba教授领导的研究小组，包括日本东京理科大学（Tokyo University of Science，TUS）和查尔姆斯理工大学（Chalmers University of Technology）的Saaya Sekine女士和Tomooki Hosaka博士，以及名古屋工业大学（Nagoya Institute of Technology）的Masanobu Nakayama教授，利用机器学习简化了寻找有希望的材料组成的过程。相关研究结果发表于期刊《Materials Chemistry A》。
图片来源：东京理科大学
该团队试图自动筛选各种NaMeO2 O3型材料中的元素组成。为此，他们首先组建了一个数据库，其中包含100个O3型钠半电池样品，这些样品具有68种不同的材料组成，由Komaba团队在11年的时间里收集而成。
“该数据库包括NaMeO2样品的材料组成，其中Me是一种过渡金属，如Mn、Ti、Zn、Ni、Zn、Fe和Sn等，以及充放电测试的上限和下限电压、初始放电容量、平均放电电压和20次循环后的容量保持率，”Komaba解释说。
研究人员随后利用该数据库训练了一个模型，该模型结合了多种机器学习算法以及贝叶斯优化，以进行高效搜索。该模型的目标是了解工作电压、容量保持率（寿命）和能量密度等特性与NaMeO2层状氧化物的材料组成之间的关系，并预测实现这些特性之间理想平衡所需的最佳元素比例。
在分析结果后，研究小组发现，该模型预测Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2是实现最高能量密度的最佳材料组成，这是电极材料中最重要的特性之一。为了验证模型预测的准确性，研究人员合成了具有这种材料组成的样品，并组装了标准纽扣电池以进行充放电测试。
测量值大部分与预测值一致，凸显了该模型的准确性及其探索新电池材料的潜力。
“我们研究中建立的方法提供了一种有效的方法，可以从广泛的潜在候选物中识别出有前途的材料组成，”Komaba评论道，“此外，这种方法可扩展到更复杂的材料系统，例如五元过渡金属氧化物。”
使用机器学习来识别有前景的研究途径是材料科学的一个日益增长的趋势，因为它可以帮助科学家大大减少筛选新材料所需的实验次数和时间。本研究提出的策略可以加速下一代电池的开发，这有可能彻底改变整个能源存储技术。
这不仅包括可再生能源发电和电动或混合动力汽车，还包括笔记本电脑和智能手机等消费电子产品。此外，机器学习在电池研究中的成功应用可以作为其他领域材料开发的模板，有可能加速整个材料科学领域的创新。
“通过使用机器学习，可以减少实验次数，这使我们距离加快材料开发速度和降低成本又近了一步。此外，随着钠离子电池电极材料性能的不断提高，预计未来将能够以更低的成本提供高容量、长寿命的电池。”Komaba总结道。
