能源储存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。虽然锂离子电池（lib）主导着目前的市场，但锂是一种相对稀缺和昂贵的元素，这两种元素都创造了生态环境经济和供应稳定的挑战。因此，世界各地的研究人员正在试验用更丰富的材料制成的新型电池。

钠离子（Na-ion）电池使用钠离子作为能量载体，由于钠含量丰富，安全性更高，成本可能更低，因此是锂离子电池的一个有希望的替代品。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，具有卓越的能量密度和容量。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组合既复杂又耗时。即使过渡金属的选择和比例发生微小的变化，也会导致晶体形态的显著变化，从而影响电池的性能。

现在，在最近的一项研究中，由Shinichi Komaba教授领导的一个研究小组，与日本东京科技大学（TUS）的Saaya Sekine女士和查尔姆斯理工大学的Tomooki Hosaka博士以及名古屋工业大学的Masanobu Nakayama教授一起，利用机器学习来简化对有前途的成分的搜索。他们的研究结果于2024年9月5日收到，校对后于2024年11月6日在线发表在《材料化学杂志A》上。本研究由JST-CREST、DX-GEM和JST-GteX资助。

该团队试图自动筛选各种nameo2o3类型材料中的元素组成。为此，他们首先建立了一个数据库，其中包括100个样品，这些样品来自于o3型钠半电池，有68种不同的成分，这些样品是由Komaba的团队在11年的时间里收集的。Komaba解释说：“该数据库包括NaMeO2样品的组成，其中Me是Mn， Ti, Zn, Ni, Zn， Fe和Sn等过渡金属，以及充放电测试的上下限电压，初始放电容量，平均放电电压和20次循环后的容量保留。”

然后，研究人员使用这个数据库来训练一个模型，该模型结合了几种机器学习算法和贝叶斯优化，以执行有效的搜索。该模型的目标是了解工作电压、容量保持（寿命）和能量密度等特性如何与NaMeO2层状氧化物的组成相关，并预测实现这些特性之间所需的最佳元素比例。

在对结果进行分析后，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成分，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，他们用这种成分合成了样品，并组装了标准硬币电池来进行充放电测试。

在大多数情况下，测量值与预测值一致，突出了模型的准确性及其探索新电池材料的潜力。“在我们的研究中建立的方法提供了一种有效的方法，从广泛的潜在候选物中识别有前途的成分，”Komaba说，“此外，这种方法可扩展到更复杂的材料系统，如五过渡金属氧化物。”

使用机器学习来识别有前途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。这项研究中提出的策略可以加速下一代电池的开发，下一代电池有可能彻底改变储能技术。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，有可能加速更广泛的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，这使我们离加速和降低材料开发成本又近了一步。此外，随着钠离子电池电极材料的性能不断提高，预计未来将以更低的成本提供高容量和长寿命的电池，”Komaba总结道。