含钠过渡金属层状氧化物正在成为钠离子电池的有前景的电极材料，这可能是锂离子电池的可行替代品。然而，由于可能的元素成分种类繁多，找到最佳成分面临着重大挑战。最近的一项研究利用广泛的实验数据和机器学习技术来识别钠离子电池的最佳成分，可能简化研究过程并促进向可再生能源的过渡。
能源存储在许多快速发展的可持续技术中发挥着至关重要的作用，例如电动车和可再生能源系统。目前，锂离子电池（LIBs）主导市场，但锂的可用性有限且成本高昂，导致经济和供应链问题。因此，全球的研究人员正在探索利用更丰富材料的新型电池技术。
钠离子（Na-ion）电池利用钠离子进行能量传输，由于钠的丰富性、增强的安全特性和潜在的较低成本，代表了一种对锂离子电池的有前景的替代品。含钠的过渡金属层状氧化物（NaMeO2）是钠离子电池正极的特别有效的材料，表现出令人印象深刻的能量密度和容量。然而，在这些层状氧化物中使用多种过渡金属使得发现最佳成分的过程变得复杂。即使在过渡金属的种类和比例上稍作修改，也可能导致晶体结构和整体电池性能的显著变化。
在最近由日本东京科技大学的教授小林信一、佐贺关和细川知毅博士领导的研究中，结合了查尔默斯科技大学和名古屋工业大学的中山正信教授的合作，利用机器学习来增强对最佳成分的搜索。该研究的结果于2024年9月5日分享，并于2024年11月6日在线发表在材料化学杂志A上，经过最终编辑后，该研究得到了包括日本科学技术振兴机构（JST-CREST）、DX-GEM和JST-GteX等资助机构的支持。
研究团队旨在对O3型NaMeO2材料中各种元素成分的评估过程进行自动化。他们首先编制了100个O3型钠半电池样本的全面数据库，涵盖小林教授团队在11年间收集的68种不同成分。“该数据库详细说明了NaMeO2样品的成分，其中Me代表锰、钛、锌、镍、铁和锡等过渡金属。它还包括充放电测试的电压限制、初始放电容量、平均放电电压和经过20个循环后的容量保持情况，”小林说道。
然后，团队利用这一广泛的数据库训练了一个模型，该模型采用了几个机器学习算法以及贝叶斯优化，以进行高效的探索。该模型的设计旨在理解操作电压、寿命容量保持和能量密度等因素与NaMeO2层状氧化物成分之间的相互关系，使其能够预测实现最佳平衡所需的元素比例。
在检查模型的预测结果后，研究人员确定Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2为提供最大能量密度的成分，这在电极材料中是一个至关重要的品质。为了验证这些预测，他们合成了这种成分的样品，并创建了标准的圆形电池进行充放电测试。
实验测量在很大程度上证实了模型的预测，证明了其准确性以及发现新电池材料的潜力。“我们研究中建立的方法为从大量候选者中隔离有前景的成分提供了一种有效的方法，”小林指出。“此外，该方法可以适应更复杂的材料系统，如五元过渡金属氧化物。”
利用机器学习识别研究的有前景方向在材料科学中变得越来越普遍，因为它显著减少了实验的数量和新材料评估所需的时间。本研究中提出的策略可能加快下一代电池的进展，这可能广泛改变能源存储技术，包括可再生能源系统、电动车或混合动力汽车，以及像笔记本电脑和智能手机这样的消费电子产品。此外，电池研究中成功的机器学习应用可以为其他行业的材料开发提供框架，从而加速材料科学领域的进展。
“通过利用机器学习，我们可以最小化所需的实验数量，使我们更接近于更快和更具成本效益的材料开发。随着对钠离子电池电极材料性能的不断改善，我们期待未来出现更高容量、长寿命且成本更低的电池，”小林总结道。
