AI-Guided Graphite Anodes · 前言

前言与摘要

Front Matter

Qian Du¹, Mark M. Sullivan², James E. Saal², Florian Huber¹

¹ hte GmbH，海德堡，德国

² Citrine Informatics，雷德伍德城，加利福尼亚州，美国

摘要

本研究提出了一种迭代式AI引导工作流程，通过提高配方可行性和工艺稳健性来加速石墨基负极开发。我们利用Citrine平台实现了基于AI/ML引导的多目标逆向设计的序贯学习，用于负极优化。从一个嘈杂且不完整的数据集出发，Citrine平台生成了早期代理模型，尽管预测确定性较低，但这些模型揭示了缺失的工艺约束。通过迭代添加可行性标签和边界条件失败信息，工作流程迅速收敛至可制造且性能更高的配方。制造可靠性从频繁的工艺失败提升至100%的成功电芯生产率，而放电量≥350 mAh g⁻¹的电芯比例从28.4%增加至84.8%，容量保持率从42.1%上升至97.3%。这些结果表明，结构化的反馈驱动型AI工作流程能够将不完美的工业数据转化为可操作的指导，从而实现电池电极制造的更快、更可重复的优化。

关键词

石墨 · 负极配方 · 锂离子电池 · AI支持研究 · 方法评估