用于可持续储能的层状过渡金属硫属化合物中的原子缺陷及数据分析的智能化趋势

摘要：层状过渡金属硫属化合物中的缺陷在开发用于可持续储能系统的高能量密度和高安全性电化学器件中发挥着至关重要的作用。尽管透射电子显微镜是用于在原子尺度可视化缺陷不可或缺的工具，但在这种数据密集型场景中，人工分析通常效率和准确性均不足。幸运的是，机器学习的出现正在转变电子显微镜数据分析的范式，为加速发现新结构和新认知提供了有力工具。在本综述中，我们简要介绍了过渡金属硫属化合物中典型缺陷构型的原子结构，以及它们在应用于电池和超级电容器时对电化学氧化还原动力学和稳定性的有益影响。随后，系统总结了用于先进储能器件的缺陷工程过渡金属硫属化合物的最新创新，以及机器学习方法应用于高通量电子显微镜分析所取得的进展。最后，本综述总结了面向下一代储能系统的智能缺陷表征与工程中尚存的挑战及未来机遇。