鄭家新2024/03/23AI2forBatteryMaterialsAI2Zheng*etal,JPCL2024材料信息學基于數(shù)據(jù)找新材料），Zheng*etal,JPCL2024摻雜影響鋰鎳混排的因素Zheng*etal,JPCL2024JournalofPowerSources2013,244,23–28JournalofPowerSources2007,174,730–734CeramicsInternational2017,43,3483–3488JournalofSolidStateElectrochemistry2011,15,747–751.研究方法:設(shè)計反位構(gòu)型計算反位形成能Ef=ENi?EtialVYPymatgenfeatures:??特征之間相關(guān)性系數(shù)均低于0.5，相關(guān)性弱?對Li/Ni反位缺陷影響顯著的特征：–摻雜元素價態(tài)、局部超交換作用強弱、鍵強變化等電子結(jié)構(gòu)特征–鍵長變化、晶胞體積變化等晶體結(jié)構(gòu)特征?摻雜元素價態(tài)升高，Ni元素價態(tài)降低，O磁矩增加?局部構(gòu)型超交換作用增強，反位更容易?發(fā)現(xiàn)特征COOPSU?SD和Mago可用作表征超交換強弱的指標??對于同種摻雜元素的六種構(gòu)型局部構(gòu)型，探究晶體結(jié)構(gòu)的影響，這避免了摻雜元素本身半徑和X-O鍵長不同導致的對規(guī)律的掩蓋?發(fā)現(xiàn)反位帶來的體積變化越劇烈，反位越困難。體積變化來自于鍵長的變化，鍵強的變化也符合同一趨勢物理驅(qū)動的機器學習突破多尺度仿真問題宏觀→介觀→微觀可遷移性第一性原理精確度宏觀→介觀→微觀可遷移性第一性原理精確度慢快物理驅(qū)動的機器學習突破多尺度仿真問題鋰金屬負極生長機理研究物理驅(qū)動的機器學習模型：精度高、效率高鋰金屬負極生長機理研究物理驅(qū)動的機器學習模型：精度高、效率高第一性原理計算產(chǎn)生數(shù)據(jù)，機器學習為分子動力學模擬擬合力場參數(shù)“物理驅(qū)動的機器學習模型”確保在任意兩個尺度耦合上，既具備微觀尺度模擬精度，又具備宏觀模型的效率壓強對鋰枝晶的影響及其作用機理研究研究方法研究結(jié)果Zheng*etal,J.EnergyChem.2023壓強對金屬鋰的自修復有何影響？??基于MTP模型構(gòu)建機器學習勢場，使用降維方法可視化特征空間JournalofEnergyChemistry79(2023)489-494JournalofEnergyChemistry79(2023)489-494表面平滑無枝晶JournalofEnergyChemistry79(2023)489-494??隨著外部壓力增大，枝晶加速融合，表面變得平滑JournalofEnergyChemistry79(2023)489-494加壓后更快愈合加壓后更快愈合加壓后得以愈合加壓后得以愈合JournalofEn