Aplicando Aprendizado de Máquina a Baterias Recarregáveis: Da Microscale à Macroscale

Resumo Métodos emergentes de aprendizado de máquina (ML) são amplamente aplicados em estudos de química e ciência dos materiais e levaram a um foco em pesquisas baseadas em dados. Esta Minirevisão resume a aplicação de ML a baterias recarregáveis, da microscale à macroscale. Especificamente, o ML oferece uma estratégia para explorar novos funcionais para cálculos de teoria do funcional de densidade e novos potenciais para simulações de dinâmica molecular, que se espera que melhorem significativamente as difíceis descrições de interfaces e estruturas amorfas. O ML também possui um grande potencial para extrair e revelar informações valiosas de conjuntos de dados experimentais e teóricos. Assim, uma correlação quantitativa “estrutura-função” pode ser estabelecida, a qual pode ser usada para prever a condutividade iônica de sólidos, bem como a vida útil da bateria. O ML também apresenta grandes vantagens na otimização de estratégias, como procedimentos de carga rápida. A futura combinação de simulações multiescala, experimentos e ML também é discutida e o papel dos humanos em pesquisas baseadas em dados é destacado.