《ACTA PHYSICO-CHIMICA SINICA》:A data-driven approach for rapid revealing of metal doping in MnO
2 cathodes for high-performance aqueous zinc-ion batteries
编辑推荐:
锌离子电池阴极材料金属掺杂的机器学习预测与验证。通过构建包含21种金属掺杂元素、299个数据点的文献数据库,结合随机森林、支持向量机与极端梯度提升模型,发现XGB模型测试集R2达0.92,并利用SHAP分析揭示电流密度、掺杂比例和分子量是关键性能影响因素。实验验证与DFT计算表明金属掺杂通过调节MnO?电子结构提升导电性,开发Web应用实现快速容量预测。
作者:单玉成|徐黎明|孙鹏|朱志静|王成龙|李金亮|杨光|潘立坤
中国华东师范大学磁共振与医学分子成像研究所物理学院磁共振重点实验室,上海200241
摘要
金属掺杂是水系锌离子电池中MnO2正极的关键改性策略,参数的选择直接影响其电化学性能。然而,掺杂类型和浓度、合成条件与电化学性能之间的复杂相互作用使得优化具有高电化学性能的MnO2正极仍然具有挑战性。传统的试错实验筛选方法耗时且成本高昂,制定统一的金属掺杂MnO2设计指南仍是一个长期存在的难题。为了高效研究金属掺杂MnO2的性能,我们提出了一种基于文献数据的机器学习(ML)模型。该数据集涵盖了21种掺杂元素,整合了元素描述符、合成参数和电化学测试条件。经过特征筛选和模型评估后,极端梯度提升(XGB)模型在测试集上的预测准确率达到0.921。除了预测之外,利用Shapley加性解释(SHAP)分析对模型进行解释,揭示了影响容量的主要因素,包括电流密度、掺杂比例和分子量。特征重要性分析进一步指导了一系列实验的设计,验证了模型的准确性和可靠性。对Fe和Ni掺杂MnO2正极的实验证实了金属掺杂能够提高比容量,且所有情况下的平均绝对误差(MAE)均低于12 mAh g-12的电子结构并缩小了带隙,从而提高了导电性。ML结果、实验验证和理论计算之间的一致性凸显了所提出框架的稳健性。从多个角度验证了其可行性后,我们基于该模型开发了一个性能预测平台,为研究人员提供了一种便捷的工具,可以快速估算用户定义条件下的金属掺杂MnO2的比容量。这项工作展示了一种综合的数据驱动方法,整合了ML、实验验证和理论计算。我们相信这种方法为高性能MnO2正极的合理设计提供了新的策略和框架,并且可广泛应用于其他金属掺杂储能材料的发现。
引言
水系锌离子电池(AZIBs)由于其高安全性、低成本和环保性,已成为大规模储能系统和可穿戴设备的有希望的替代方案[1]、[2]、[3]、[4]。然而,由于正极材料的比容量低和循环稳定性较差,AZIBs的实际应用仍面临挑战[5]、[6]、[7]、[8]。高性能正极材料的发展已成为推动AZIBs技术突破的关键因素[9]、[10]、[11]、[12]、[13]。由于MnO2具有较高的理论比容量(308 mAh g-1)和天然丰度,它被视为AZIBs的正极材料候选者。不幸的是,MnO2的固有缺陷(如结构崩塌和相变)导致容量迅速衰减,无法满足实际应用要求[14]、[15]、[16]、[17]、[18]。为了克服这些限制,人们开发了一系列互补的改性策略,包括纳米结构工程以缩短离子扩散路径、构建碳基复合材料以增强电子导电性、故意引入晶体缺陷以调节电荷分布,以及用金属或非金属掺杂以优化晶格及其电子性质[19]、[20]、[21]、[22]。在这些方法中,金属掺杂因其能够精确调节MnO2的晶格参数、能带结构和表面化学状态而成为提高电化学性能的有效手段[23]、[24]。
MnO2正极中的金属掺杂通常涉及加入一种或多种杂原子,如K、Fe或Co等[25]、[26]、[27]、[28]、[29]、[30]。传统的实验方法主要依赖于经验性的试错策略来筛选合适的掺杂离子。这种方法存在固有的局限性,因为可能的掺杂种类繁多,并且在不同的合成条件下会产生显著不同的产物。因此,研究人员往往不得不逐一研究每种元素对电化学性能的影响,得到的经验趋势可靠性有限[31]、[32]、[33]。此外,不同研究中对金属掺杂的机理解释通常局限于特定系统,缺乏统一的理论框架[34]。因此,迫切需要一种高效、通用且低成本的方法来加速金属掺杂MnO2正极材料的发展。
近年来,机器学习(ML)作为数据驱动的工具在材料科学中展现出强大的能力,特别是在预测和迭代优化方面[35]、[36]、[37]、[38]、[39]、[40]。其核心优势在于从现有实验数据中提取隐藏模式,建立“组成 + 合成条件 → 性能”之间的定性或定量模型,从而为新材料设计提供合理策略。ML已成功应用于AZIBs领域的多个关键组成部分[41]、[42]、[43]、[44]。Cai等人利用ML系统地筛选了尖晶石结构,发现了具有高电子导电性、快速离子扩散和优异热稳定性的Mg/Zn离子电池正极[45]。通过将ML与理论计算相结合,他们对候选正极进行了多维度筛选,提高了可靠性并减少了传统方法的资源需求。这些进展突显了ML在揭示复杂化学机制和加速高性能材料发现方面的潜力。尽管如此,现有的关于AZIB正极的ML研究主要依赖于晶体学描述符或其他理论推导的量来构建数据集,往往得到的预测难以验证或与实验观察结果不一致[46]、[47]、[48]。一些研究将实验特征纳入数据集,从而提高了模型的可解释性和验证实验的可靠性[49]、[50]。尽管取得了这些进展,但针对AZIBs金属掺杂MnO2正极的系统性ML研究仍然相对缺乏。
在这项工作中,我们提出了一种用于合理设计金属掺杂MnO2正极的ML框架,并系统评估了掺杂特性对电化学性能的影响。如图1所示,我们构建了一个整合了元素描述符、合成参数和电化学测试条件的数据集,并采用预训练的模型辅助特征选择策略来处理特征并降低维度。利用这个优化后的数据集,我们使用随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGB)算法开发了比容量预测器,并进行了严格的性能基准测试。通过Shapley加性解释(SHAP)实现的模型可解释性揭示了影响容量的主要因素,进而指导了一系列金属掺杂MnO2正极的合成。全面的结构和电化学表征验证了ML模型的准确性和所识别特征的重要性。此外,密度泛函理论(DFT)计算提供了关于掺杂依赖的电化学行为的分子级见解。最后,我们将训练好的模型部署为一个用户友好的Web应用程序,能够快速预测AZIBs用MnO2正极的性能。我们认为,我们的工作为MnO2正极设计建立了一个通用的数据驱动范式,并展示了ML在提升AZIB性能方面的巨大潜力。
方法论
数据集来源于Web of Science上发表的36篇文章,包含21种不同的掺杂金属元素,共计299个可用数据点,每个数据点都没有缺失值,如表S1所示。每个数据点对应于掺杂了一种金属元素的MnO2正极材料。值得注意的是,未选择非金属元素(如N或P)的掺杂,也未选择多种金属元素共同掺杂的情况。
特征工程和模型评估
通过绘制按每个特征分组的训练集和测试集的小提琴图,我们评估了数据分布的模式,包括峰值形状和均匀性,从而减少了由于数据不平衡导致的预测偏差和泛化能力差的风险,如图2a-e所示。保留特征的小提琴图显示在图S1中。此外,皮尔逊相关系数热图(图S2)显示,只有特征CD与...
结论
在这项工作中,我们建立了一个基于ML的框架,系统地揭示了影响AZIBs用金属掺杂MnO2正极电化学性能的关键因素。通过将元素描述符、合成参数和电化学条件整合到一个精心策划的数据集中,我们采用了特征工程来提高模型效率,并训练了多种算法,其中XGB模型表现出最高的预测准确性(训练集的R2 = 0.97,测试集的R2 = 0.92)。
CRediT作者贡献声明
李金亮:撰写 – 审稿与编辑,研究。
王成龙:撰写 – 审稿与编辑,监督,软件开发。
潘立坤:撰写 – 审稿与编辑,监督,方法论设计。
杨光:软件开发。
徐黎明:验证。
单玉成:撰写 – 初稿撰写,方法论设计,概念构思。
朱志静:数据可视化。
孙鹏:研究。
利益冲突声明
? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。