用于预测电解质分子氧化还原电位的智能电解质预测系统的制作方法

摘要: 本发明总体上涉及电池技术、机器学习以及科学人工智能。更具体而言,本发明涉及一种用于可充电电池中电解质分子的氧化还原电位预测框架,其中结合使用考虑锂离子配位效应的...
用于预测电解质分子氧化还原电位的智能电解质预测系统的制作方法

本发明总体上涉及电池技术、机器学习以及科学人工智能。更具体而言,本发明涉及一种用于可充电电池中电解质分子的氧化还原电位预测框架,其中结合使用考虑锂离子配位效应的第一性原理计算以及机器学习,以预测电解质分子的氧化电位和还原电位。

背景技术:

1、传统上,电解质分子的电化学稳定性可以通过实验方法以及量子力学计算方法进行评估,其中实验方法例如循环伏安法,量子力学计算方法例如基于热力学循环的方法。然而,在存在可逆氧化还原过程的情况下,实验方法的可靠性可能受限,从而使得难以准确评估候选电解质分子的电化学稳定窗口。此外,量子力学方法,例如born-haber热力学循环计算,在应用于大量候选分子时通常需要大量计算资源,并且此类方法可能无法充分反映电池环境中的锂离子配位效应。

2、此外,尽管机器学习技术已被引入用于分子性质预测,但现有机器学习方法通常并非专门配置用于锂离子配位电解质系统,往往依赖于化学多样性不足的数据集,并且通常对于驱动氧化还原行为的分子因素提供的解释有限。因此,现有技术通常不足以在富锂离子电极环境下准确预测氧化电位和还原电位,进而限制了用于可充电电池的电解质分子的高效设计与筛选,尤其是用于高电压正极电解质分子的高效设计与筛选。

3、因此,需要一种能够有效预测电池环境中电解质分子的氧化还原电位的改进方法和系统。

技术实现思路

1、本发明的目的在于提供一种系统和方法,以解决现有技术中的上述缺陷和未满足的需求。

2、本发明提供一种用于预测电解质氧化还原电位的高通量密度泛函理论(densityfunctional theory;dft)与机器学习(machine learning;ml)混合框架。通过整合高通量计算和机器学习,本发明提供一种用于电解质氧化还原电位的预测平台,从而支持电解质候选物的评估与筛选。本发明的技术方案提供至少三种技术手段,具体包括包括建立具有两种热力学循环模式的数据库、对机器学习模型进行优化,以及实现氧化还原电位预测的机理可解释性。上述三种技术手段相互协同、有机结合,共同支撑本发明技术方案的落地实施,提升氧化还原电位预测的精准度、稳定性及可追溯性。

3、1:建立具有两种热力学循环模式的数据库。本发明通过热力学循环方法量化li+配位对氧化路径和还原路径的影响。通过对多个电解质分子进行dft计算,本发明能够评估li+配位如何影响氧化和还原行为,包括与氧化还原过程相关的静电相互作用和离子-偶极相互作用。

4、2:机器学习模型优化。本发明从smiles子串和dft输出中提取多个分子描述符,包括与前线轨道能量和键拓扑相关的电子特征和结构特征。所提取的描述符用于建立机器学习模型,以预测电解质分子的氧化还原电位。在一些实施例中,可使用35个分子描述符,并采用六种机器学习算法,以提高预测的准确性。

5、3:实现机理可解释性。本发明采用shapley additive explanations(shap)来识别与氧化还原行为相关的分子特征。在一些实施例中,氧化电位主要与电子特征相关,而还原电位主要与结构基序相关。因此,本发明为氧化还原电位预测提供可解释性,并为电解质设计与筛选提供指导。

6、根据本发明的第一方面,提供一种氧化还原电位的预测系统,用于在锂离子配位条件下,评估和筛选供可充电锂离子电池使用的候选电解质分子。所述氧化还原电位预测系统包括:候选电解质收集模块、第一性原理计算模块、特征提取模块、特征工程模块、模型训练模块、模型评估模块、可解释性分析模块以及氧化还原预测输出模块。所述候选电解质收集模块被配置为收集候选电解质分子,以用于后续氧化还原电位预测处理。所述第一性原理计算模块被配置为接收所述候选电解质分子,并在锂离子配位条件下,对所述候选电解质分子执行第一性原理计算,以生成氧化还原电位相关计算数据。所述特征提取模块被配置为接收所述氧化还原电位相关计算数据,并提取与所述候选电解质分子相关联的电子特征和结构特征。所述特征工程模块被配置为接收所述电子特征和所述结构特征,并生成用于后续基于机器学习的预测的处理后特征集。所述模型训练模块被配置为接收所述处理后特征集,构建一个或多个基于机器学习的预测模型,其用于对所述候选电解质分子进行氧化还原电位预测,并且所述模型训练模块基于所述一个或多个基于机器学习的预测模型生成训练模型相关数据。所述模型评估模块被配置为接收所述训练模型相关数据,评估所述一个或多个基于机器学习的预测模型的预测性能,并生成模型评估相关数据和预测相关数据。所述可解释性分析模块被配置为接收所述模型评估相关数据,确定不同分子描述符如何对氧化电位相关预测和还原电位相关预测作出贡献,并生成可解释性相关数据。所述氧化还原预测输出模块被配置为接收所述预测相关数据和所述可解释性相关数据,并输出与所述候选电解质分子相关联的氧化电位预测结果、还原电位预测结果或两者。

7、根据本发明的第二方面,提供一种方法,用于在锂离子配位条件和非锂离子配位条件下,评估和筛选供可充电锂离子电池使用的候选电解质分子。所述方法包括以下步骤:收集候选电解质分子,以用于后续氧化还原电位预测处理;在具有或不具有锂离子配位条件下,对所述候选电解质分子执行第一性原理计算,以生成氧化还原电位相关计算数据;从所述氧化还原电位相关计算数据中提取与所述候选电解质分子相关联的电子特征和结构特征;基于所述电子特征和所述结构特征生成处理后特征集,以用于后续基于机器学习的预测;基于所述处理后特征集,构建一个或多个基于机器学习的预测模型,以用于所述候选电解质分子的氧化还原电位预测;评估所述一个或多个基于机器学习的预测模型的预测性能;确定不同分子描述符如何对氧化电位相关预测和还原电位相关预测作出贡献;以及输出与所述候选电解质分子相关联的氧化电位预测结果、还原电位预测结果或两者。

1.一种氧化还原电位预测系统,用于在锂离子配位条件和非锂离子配位条件下,评估和筛选供可充电锂离子电池使用的候选电解质分子,其特征在于,包括:

2.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述候选电解质收集模块被配置为根据分子多样性和电池相关适用性,从所述候选电解质分子中选择性地构建候选集。

3.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述第一性原理计算模块被配置为在锂离子配位条件和非锂离子配位条件下,对每个候选电解质分子执行第一性原理计算,以生成用于氧化相关处理和还原相关处理的热力学循环相关计算数据。

4.根据权利要求3所述的氧化还原电位预测系统,其特征在于,所述第一性原理计算模块进一步被配置为识别所述候选电解质分子的可配位原子位点,包括含氧位点、含氮位点、含硫位点或其组合,评估与锂离子相关联的多个候选配位构型,并从所述多个候选配位构型中保留具有最高稳定性的配位构型,以用于后续计算。

5.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述特征提取模块被配置为从所述氧化还原电位相关计算数据中提取电子特征,并从简化分子线性输入规范(smiles)表示、分子指纹编码或其他分子结构描述中提取结构特征,其中所述电子特征包括最高占据分子轨道相关信息、最低空分子轨道相关信息、电子亲和能相关信息、电离势相关信息以及锂结合能相关信息,所述结构特征包括元素组成相关信息、键类型相关信息、环结构相关信息、官能团相关信息、官能团数量相关信息、环状结构存在性相关信息或其组合。

6.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述特征工程模块被配置为评估不同特征之间的相关性,计算成对特征之间的pearson相关系数,并筛选所述特征,使得所保留的描述符的成对绝对pearson相关系数小于或等于0.9。

7.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述模型训练模块被配置为训练多个基于机器学习的预测模型,所述多个基于机器学习的预测模型包括极端梯度提升(xgb)模型、随机森林回归(rfr)模型、梯度提升回归(gbr)模型、支持向量回归(svr)模型、k-近邻回归(knr)模型以及多层感知机(mlp)模型。

8.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述特征提取模块被配置为将由所述第一性原理计算模块生成的所述氧化还原电位相关计算数据,转换为结构化特征源数据,并从所述结构化特征源数据中提取所述电子特征和所述结构特征,以输出至所述特征工程模块。

9.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述特征工程模块被配置为对所述特征提取模块接收的所述电子特征和所述结构特征进行预处理和筛选,以生成所述处理后特征集,并将所述处理后特征集输出至所述模型训练模块。

10.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述模型评估模块被配置为向所述模型训练模块提供模型评估相关数据,使得所述模型训练模块根据由所述模型评估模块生成的评估结果调整训练设置、模型参数或两者。

11.根据权利要求1所述的氧化还原电位预测系统,其特征在于,所述可解释性分析模块被配置为向所述特征工程模块提供可解释性相关数据,使所述特征工程模块根据描述符贡献信息细化特征筛选、特征优先级排序或描述符保留,并且所述可解释性分析模块还被配置为向所述氧化还原预测输出模块提供所述可解释性相关数据。

12.根据权利要求1所述的氧化还原电位预测系统,其特征在于,还包括:

13.根据权利要求12所述的氧化还原电位预测系统,其特征在于,所述电解质筛选模块被配置为接收由所述氧化还原预测输出模块输出的结果,并根据氧化电位相关特性、还原电位相关特性、宽电化学窗口适用性或其组合,对候选电解质分子进行排序、保留、排除或分类。

14.根据权利要求13所述的氧化还原电位预测系统,其特征在于,所述电池相容性与设计指导模块被配置为从所述电解质筛选模块接收筛选相关数据,并确定由所述电解质筛选模块保留的候选电解质分子是否与一个或多个电池相关操作条件相容,所述一个或多个电池相关操作条件包括与高电压正极相容、所需电化学稳定窗口、温度相关要求、安全相关要求或其组合,并且基于由所述可解释性分析模块识别的描述符贡献关系,生成设计指导相关信息。

15.根据权利要求12所述的氧化还原电位预测系统,其特征在于,所述候选物部署与更新模块被配置为接收筛选相关数据、相容性相关数据、设计指导相关数据或其组合,生成推荐候选集,以用于后续电解质配制、验证或电池开发处理,并且所述候选物部署与更新模块还被配置为将所述推荐候选集转换为机器可执行控制指令,以传输至自动化材料合成系统、机器人分配装置或两者,使得所选择的候选电解质配方被物理制备为电解质样品,并向自动化电化学测试设备输出致动信号,以使得对所述电解质样品执行物理验证测试。

16.一种用于在锂离子配位条件和非锂离子配位条件下,评估和筛选供可充电锂离子电池使用的候选电解质分子方法,其特征在于,包括:

17.根据权利要求16所述的候选电解质分子方法,其特征在于,执行所述第一性原理计算包括在所述锂离子配位条件和非锂离子配位条件下,对每个候选电解质分子执行第一性原理计算,以生成用于氧化相关处理和还原相关处理的热力学循环相关计算数据。

18.根据权利要求16所述的候选电解质分子方法,其特征在于,提取所述电子特征和所述结构特征包括:从所述氧化还原电位相关计算数据中提取电子特征,并从smiles表示、分子指纹编码或其他分子结构描述中提取结构特征,其中所述电子特征包括最高占据分子轨道相关信息、最低空分子轨道相关信息、电子亲和能相关信息、电离势相关信息以及锂结合能相关信息。

19.根据权利要求16所述的候选电解质分子方法,其特征在于,生成所述处理后特征集包括:

20.根据权利要求16所述的候选电解质分子方法,其特征在于,还包括: