Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 355-363
МАШИННОЕ ОБУЧЕНИЕ КАК ИНСТРУМЕНТ УСКОРЕНИЯ ПОИСКА НОВЫХ МАТЕРИАЛОВ ДЛЯ МЕТАЛЛ-ИОННЫХ АККУМУЛЯТОРОВ
В. Т. Осипов 1, *, М. И. Гонгола 2, 3, Е. А. Морхова 1, член-корреспондент РАН А. П. Немудрый 2, А. А. Кабанов 1, 2
1 Самарский государственный технический университет
Самара, Россия
2 Институт химии твердого тела и механохимии Сибирского отделения Российской академии наук
Новосибирск, Россия
3 Новосибирский национальный исследовательский государственный университет
Новосибирск, Россия
* E-mail: vld.ospv@gmail.com
Поступила в редакцию 04.08.2023
После доработки 11.08.2023
Принята к публикации 24.10.2023
- EDN: CXJJLK
- DOI: 10.31857/S2686954323601033
Полные тексты статей выпуска доступны в ознакомительном режиме только авторизованным пользователям.
Аннотация
Поиск новых кристаллических ионных проводников является важной задачей материаловедения, которая требует значительных ресурсов, но может быть ускорена с помощью методов машинного обучения (МО). В данной работе методы МО были применены для прогнозирования энергии миграции рабочих ионов. Обучающая выборка основана на данных о 225 каналах миграции ионов лития в 23 ионных проводниках. Дескрипторами выступали параметры свободного пространства в кристалле, полученные методом разбиения Вороного. Точность прогнозирования энергии миграции оценивалась путем сравнения с данными, полученными методами теории функционала плотности. В работе было применено два метода МО: регрессия методом опорных векторов и порядковая регрессия. Показано, что параметры свободного пространства в кристалле коррелируют с энергией миграции, при этом лучшие результаты дает порядковая регрессия. Разработанные модели МО могут применяться как дополнительный фильтр при анализе ионной проводимости в структурах.
Полные тексты статей выпуска доступны в ознакомительном режиме только авторизованным пользователям.
Список литературы
Kabanov A.A. et al. Computational design of materials for metal-ion batteries / ed. Reedijk J., Poeppelmeier K.R.B.T.-C.I.C.I.I.I. Third E. Oxford: Elsevier, 2023. P. 404–429.
Sendek A.D. et al. Machine Learning-Assisted Discovery of Solid Li-Ion Conducting Materials // Chem. Mater. American Chemical Society, 2018. V. 31. № 2. P. 342–352.
Carraher C.E. Columns: General Topics // Polym. News. Taylor & Francis, 2005. V. 30. № 5. P. 155–157.
Lv C. et al. Machine Learning: An Advanced Platform for Materials Development and State Prediction in Lithium-Ion Batteries // Adv. Mater. 2022. V. 34, № 25. P. 2101474.
Martynec T. et al. Machine learning predictions of surface migration barriers in nucleation and non-equilibrium growth // Commun. Mater. 2021. V. 2. № 1. P. 90.
Honrao S.J. et al. Discovery of novel Li SSE and anode coatings using interpretable machine learning and high-throughput multi-property screening // Sci. Rep. 2021. V. 11. № 1. P. 16484.
Shevchenko A.P. et al. Mining Knowledge from Crystal Structures: Oxidation States of Oxygen-Coordinated Metal Atoms in Ionic and Coordination Compounds // J. Chem. Inf. Model. American Chemical Society, 2022. V. 62. № 10. P. 2332–2340.
Kireeva N., Pervov V.S. Materials space of solid-state electrolytes: unraveling chemical composition–structure–ionic conductivity relationships in garnet-type metal oxides using cheminformatics virtual screening approaches // Phys. Chem. Chem. Phys. The Royal Society of Chemistry, 2017. V. 19. № 31. P. 20904–20918.
Zhao Q. et al. Machine learning prediction of activation energy in cubic Li-argyrodites with hierarchically encoding crystal structure-based (HECS) descriptors // Sci. Bull. Science China Press, 2021. V. 66. № 14. P. 1401–1408.
Zhang L. et al. A Database of Ionic Transport Characteristics for Over 29 000 Inorganic Compounds // Adv. Funct. Mater. John Wiley & Sons, Ltd, 2020. V. 30. № 35. P. 2003087.
Blatov V.A., Shevchenko A.P., Proserpio D.M. Applied Topological Analysis of Crystal Structures with the Program Package ToposPro // Cryst. Growth Des. American Chemical Society, 2014. V. 14. № 7. P. 3576–3586.
Morkhova Y.A. et al. Computational Search for Novel Zn-Ion Conductors–A Crystallochemical, Bond Valence, and Density Functional Study // J. Phys. Chem. C. 2021.
Pedregosa F. et al. Scikit-learn: Machine Learning in Python // J. Mach. Learn. Res. 2011. V. 12. P. 2825–2830.
Smola A.J., Scholkoph B. A tutorial on support vector regression // Stat. Comput. 2004. V. 14. P. 199–222.
Ananth C.V., Kleinbaum D.G. Regression models for ordinal responses: A review of methods and applications // Int. J. Epidemiol. 1997. V. 26. № 6. P. 1323–1333.
Niu Z. et al. Ordinal Regression with Multiple Output CNN for Age Estimation // Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 2016. P. 4920–4928.
Li L., Lin H.T. Ordinal Regression by Extended Binary Classification // NIPS 2006 Proc. 19th Int. Conf. Neural Inf. Process. Syst. 2006. P. 865–872.
Zhang Y., Yang Y. Cross-validation for selecting a model selection procedure // J. Econom. Elsevier B.V., 2015. V. 187. № 1. P. 95–112.
Guo G. et al. KNN model-based approach in classification // Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2003. V. 2888. P. 986–996.
Gardiner G.R., Islam M.S. Anti-Site Defects and Ion Migration in the LiFe0.5Mn0.5PO4 Mixed-Metal Cathode Material† // Chem. Mater. 2010. V. 22. P. 1242–1248.
Morgan D., Ven A., Ceder G. Li conductivity in LixMPO4 (M = Mn, Fe, Co, Ni) olivine materials // Electrochem. Solid-State Lett. 2004. V. 7. P. A30.
Li J.-J., Dai Y., Zheng J.-C. Strain engineering of ion migration in LiCoO2 // Front. Phys. 2021. V. 17. № 1. P. 13503.
Armstrong A.R. et al. Structure and Lithium Transport Pathways in Li2FeSiO4 Cathodes for Lithium Batteries // J. Am. Chem. Soc. American Chemical Society, 2011. V. 133. № 33. P. 13031–13035.
Islam M.S. et al. Atomic-Scale Investigation of Defects, Dopants, and Lithium Transport in the LiFePO4 Olivine-Type Battery Material // Chem. Mater. American Chemical Society, 2005. V. 17. № 20. P. 5085–5092.
Дополнительные материалы отсутствуют.
Инструменты
Доклады Российской академии наук. Математика, информатика, процессы управления