国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

1. 華科袁燁教授EES: 深度遷移學(xué)習(xí)實(shí)時(shí)個(gè)性化預(yù)測鋰離子電池健康狀態(tài)！

機(jī)器學(xué)習(xí)頂刊匯總：EES、ACS Energy Lett.、ACS Nano、ACS Catal.、JMCA等成果

實(shí)時(shí)、個(gè)性化的鋰離子電池健康管理，有利于提升終端用戶的安全性。然而，由于不同的使用興趣、動(dòng)態(tài)的操作習(xí)慣和有限的歷史數(shù)據(jù)，電池健康狀態(tài)的個(gè)性化預(yù)測仍然具有挑戰(zhàn)性。

在此，華中科技大學(xué)袁燁教授等人設(shè)計(jì)了一個(gè)可轉(zhuǎn)移的深度網(wǎng)絡(luò)，在任何感興趣的循環(huán)中使用最近30個(gè)循環(huán)的部分循環(huán)數(shù)據(jù)以實(shí)現(xiàn)個(gè)性化、實(shí)時(shí)的鋰離子電池健康狀態(tài)預(yù)測。為此，作者構(gòu)建了一個(gè)包含77個(gè)磷酸鐵鋰（LFP）/石墨電池的實(shí)驗(yàn)平臺(tái)，其循環(huán)壽命為1100~2700次。電池經(jīng)過不同的多階段放電協(xié)議來近似使用變化，共獲得146122次充放電循環(huán)，這是目前已知同類數(shù)據(jù)中最大的數(shù)據(jù)集。其中，設(shè)計(jì)的深度學(xué)習(xí)模型由一個(gè)卷積模塊、一個(gè)循環(huán)模塊和兩個(gè)全連接模塊組成。此外，在遷移學(xué)習(xí)模型中設(shè)計(jì)了模型預(yù)訓(xùn)練和模型遷移2個(gè)階段：（1）模型預(yù)訓(xùn)練階段利用輸入特征曲線對(duì)深度學(xué)習(xí)模型進(jìn)行預(yù)訓(xùn)練并標(biāo)記訓(xùn)練電池的健康狀態(tài)；（2）模型遷移階段旨在通過輸入最近10個(gè)充放電周期（重采樣后）的特征曲線，在任何新的放電協(xié)議的任何周期實(shí)現(xiàn)實(shí)時(shí)的個(gè)性化健康狀態(tài)預(yù)測。

圖1. 深度遷移學(xué)習(xí)方法示意圖

結(jié)果顯示，所有充放電周期下容量估計(jì)和剩余使用壽命（RUL）預(yù)測的平均測試誤差分別為0.176%和8.72%。此外，作者還通過從另外兩個(gè)數(shù)據(jù)集（分別具有不同的充放電條件和電池化學(xué)成分）中遷移電池衰減知識(shí)來預(yù)測本數(shù)據(jù)集中測試電池的健康狀態(tài)。在另外兩個(gè)任務(wù)中，容量估計(jì)和RUL預(yù)測的平均測試誤差分別為0.328%（0.193%）和9.80%（9.9%）。這說明了深度遷移學(xué)習(xí)框架根據(jù)個(gè)性化使用模式預(yù)測健康狀況的有效性和普遍性，然而也存在一些局限性：首先，該方法未研究接近實(shí)際應(yīng)用的隨機(jī)充電過程。然后，該方法需要最近30個(gè)周期來預(yù)測電池的健康狀態(tài)，但無法預(yù)測前幾個(gè)周期的健康狀態(tài)。此外，該方法非常依賴于最近循環(huán)周期中數(shù)據(jù)的質(zhì)量。最后，該工作簡化了實(shí)際應(yīng)用中的操作條件，數(shù)據(jù)集中不包括放電深度和功率，因此仍需要進(jìn)一步研究。

圖2. 基于不同數(shù)量的稀疏輸入周期的模型預(yù)測誤差

Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning, Energy & Environmental Science 2022. DOI: 10.1039/D2EE01676A

2. 加州大學(xué)胡永杰ACS Energy Lett.綜述: 機(jī)器學(xué)習(xí)在熱能利用研究中的應(yīng)用

機(jī)器學(xué)習(xí)（ML）已影響了諸多基于統(tǒng)計(jì)視角的研究領(lǐng)域，并從傳統(tǒng)的角度揭示了未知觀點(diǎn)。盡管該領(lǐng)域仍處于早期階段，但這一進(jìn)展已推動(dòng)熱能利用和工程界應(yīng)用此類尖端工具集來分析復(fù)雜數(shù)據(jù)、揭示深?yuàn)W機(jī)制和發(fā)現(xiàn)非直觀原理的發(fā)展。

在此，美國加州大學(xué)洛杉磯分校胡永杰教授等人全面概述了機(jī)器學(xué)習(xí)（ML）方法在熱能利用研究的關(guān)鍵主題上的應(yīng)用和未來機(jī)會(huì)。首先，作者簡要介紹了ML概念和熱能利用研究的幾種常用算法。然后，概述了ML在最先進(jìn)的熱傳輸建模（DFT、分子動(dòng)力學(xué)和玻爾茲曼傳輸方程）中的應(yīng)用。其中，監(jiān)督學(xué)習(xí)通過建立各種材料描述符和熱導(dǎo)率之間的關(guān)系而用于高通量熱材料篩選，無監(jiān)督學(xué)習(xí)可作為微分方程求解器，有助于求解薛定諤、玻爾茲曼輸運(yùn)、熱傳導(dǎo)、納維-斯托克斯和輻射傳輸方程等。接下來，作者還介紹了ML在不同系列材料（半導(dǎo)體、聚合物、合金和復(fù)合材料）、熱性能（電導(dǎo)率、發(fā)射率、穩(wěn)定性和熱電性）中的應(yīng)用。此外，作者重點(diǎn)介紹了ML在熱力設(shè)備設(shè)計(jì)和能源系統(tǒng)運(yùn)行中的應(yīng)用，包括建筑物中的熱交換器和供暖、通風(fēng)、空調(diào)（HVAC）系統(tǒng)等。

圖1. ML輔助高通量熱能材料發(fā)現(xiàn)的一般工作流程

最后，作者討論了當(dāng)前ML方法的前景和挑戰(zhàn)，并為可能對(duì)熱能利用研究產(chǎn)生進(jìn)一步影響的未來方向和新算法提供了展望：1）在最基礎(chǔ)的尺度上，熱能材料的原子建?？墒芤嬗诹孔恿W(xué)的ML加速數(shù)值解和高度精確的MLP輔助MD模擬，將大大降低傳統(tǒng)試錯(cuò)過程的成本。2）在中尺度上，可更有效解決電子和聲子的傳輸動(dòng)力學(xué)問題。通過將納米工程和現(xiàn)有實(shí)驗(yàn)和建模數(shù)據(jù)的ML訓(xùn)練相結(jié)合，逆向設(shè)計(jì)具有理想特性的功能材料將成為可能。3）在系統(tǒng)級(jí)的大尺度上，通過ML改進(jìn)的能源需求預(yù)測、故障檢測及優(yōu)化控制和調(diào)度，大型熱力系統(tǒng)將更有效地運(yùn)行。作者預(yù)計(jì)ML可在不同的方向找到應(yīng)用機(jī)會(huì)，包括但不限于計(jì)算高效的第一性原理材料建模、具有極端熱傳輸特性和高能量轉(zhuǎn)換效率的材料、新型熱材料或具有可變熱物理特性、操作的設(shè)備及分布式能源系統(tǒng)的控制等。

圖2. ML在系統(tǒng)級(jí)性能預(yù)測中的應(yīng)用

Machine Learning for Harnessing Thermal Energy: From Materials Discovery to System Optimization, ACS Energy Letters 2022. DOI: 10.1021/acsenergylett.2c01836

3. 南洋理工ACS Nano: 機(jī)器學(xué)習(xí)加速納米傳感器檢測疾病的前景和展望

疾病X是一種假設(shè)的未知疾病，有可能在未來引起流行病或大流行病爆發(fā)。納米傳感器是有吸引力的便攜式設(shè)備，可在現(xiàn)場快速篩選疾病生物標(biāo)志物，減少對(duì)實(shí)驗(yàn)室分析的依賴。然而，傳統(tǒng)的數(shù)據(jù)分析限制了納米傳感器研究的進(jìn)展。

在此，新加坡南洋理工大學(xué)夏克林、Xing Yi Ling等人強(qiáng)調(diào)了過去5年中在疾病納米尺度傳感方面取得的最新進(jìn)展，特別關(guān)注機(jī)器學(xué)習(xí)（ML）算法所承擔(dān)的不可或缺的作用。首先，疾病特異性生物標(biāo)志物的低生理濃度和多種生物基質(zhì)中的大量干擾要求納米傳感器具有高靈敏度和特異性。對(duì)此，ML算法可通過（1）有效探索其合成參數(shù)空間來優(yōu)化納米材料特性，（2）逆向設(shè)計(jì)方法創(chuàng)建具有定制特性的可編程納米顆粒，和（3）具有高通量篩選分子庫的工程設(shè)計(jì)納米結(jié)構(gòu)表面以指導(dǎo)定制納米傳感器的智能制造以實(shí)現(xiàn)靈敏和特異性的生物標(biāo)志物檢測。此外，納米傳感器與眾多生物分子之間的相互作用會(huì)產(chǎn)生豐富而復(fù)雜的分子信息，這對(duì)于手動(dòng)分析或傳統(tǒng)的統(tǒng)計(jì)方法進(jìn)行破譯具有挑戰(zhàn)性。在這方面，ML算法可通過（1）深入的特征分析闡明復(fù)雜的納米傳感器信號(hào)變化和（2）構(gòu)建準(zhǔn)確的預(yù)測模型且同時(shí)監(jiān)測一組生物標(biāo)志物或整個(gè)生物基質(zhì)概況進(jìn)行改善。

圖1. 集成ML算法提高納米傳感器檢測疾病X性能的方案

最后，作者總結(jié)了對(duì)該領(lǐng)域研究前景的看法，ML 算法將在以下方面進(jìn)一步加強(qiáng)開發(fā)納米傳感器以檢測疾病X：（1）為廣義納米材料發(fā)現(xiàn)構(gòu)建連續(xù)分段的自主工作流系統(tǒng)；（2）構(gòu)建海量開源數(shù)據(jù)存儲(chǔ)庫；（3）加強(qiáng)結(jié)果與基礎(chǔ)知識(shí)的關(guān)系；（4）發(fā)現(xiàn)與現(xiàn)有疾病的潛在相關(guān)性；（5）加強(qiáng)利用先進(jìn)的ML算法的能力?？傊琈L在科學(xué)的許多方面的應(yīng)用擴(kuò)展有力地表明了它有可能徹底改變用于疾病X檢測的納米傳感器的發(fā)展。鑒于疾病X的難以捉摸，幾乎有必要將ML算法與最先進(jìn)的技術(shù)相結(jié)合，以創(chuàng)建具有高度靈敏度和適應(yīng)性的集成納米級(jí)傳感平臺(tái)。因此，作者設(shè)想ML驅(qū)動(dòng)的納米傳感器是避免/最小化未來X疾病爆發(fā)的破壞性潛力的關(guān)鍵。

圖2. ML算法進(jìn)一步加強(qiáng)開發(fā)用于檢測疾病X的納米傳感器的前景和展望

Where Nanosensors Meet Machine Learning: Prospects and Challenges in Detecting Disease X, ACS Nano 2022. DOI: 10.1021/acsnano.2c05731

4. 伯爾尼大學(xué)ACS Catal.: 貝葉斯優(yōu)化探索高熵合金納米粒子的組成空間

高熵合金（HEA）電催化劑提供了廣闊的組成空間，可用于探索以確定用于能量轉(zhuǎn)換反應(yīng)的有趣材料。雖然已經(jīng)嘗試探索HEA薄膜庫的組成空間并比較實(shí)驗(yàn)和計(jì)算研究，但對(duì)于HEA納米粒子不存在相應(yīng)的方法。到目前為止，對(duì)HEA納米粒子的催化研究僅限于少量的單個(gè)催化劑。

在此，瑞典伯爾尼大學(xué)Matthias Arenz等人通過使用貝葉斯優(yōu)化作為指導(dǎo)構(gòu)建數(shù)據(jù)集，報(bào)道了碳負(fù)載Pt-Ru-Pd-Rh-Au納米粒子在H₂/CO氧化反應(yīng)中的組成空間的實(shí)驗(yàn)探索。應(yīng)用無表面活性劑合成平臺(tái)，作者研究了68個(gè)樣品的數(shù)據(jù)集。其中，前體混合物的比例用作貝葉斯優(yōu)化算法的輸入?yún)?shù)，而在H₂存在下定義的CO氧化“起始電位”用作描述H₂/CO氧化活性的輸出參數(shù)。由于明確定義的前體混合物不一定會(huì)產(chǎn)生明確的納米粒子組成，因此作者在第二部分中使用一個(gè)新的輸入?yún)?shù)構(gòu)建機(jī)器學(xué)習(xí)模型，即通過能量色散X射線能譜（EDX）確定制備好的納米粒子的組成。通過構(gòu)建機(jī)器學(xué)習(xí)模型，作者分析了組成元素濃度與催化活性的關(guān)系，并與DFT計(jì)算進(jìn)行比較。

圖1. 兩種機(jī)器學(xué)習(xí)模型的性能

研究表明，機(jī)器學(xué)習(xí)模型證實(shí)了先前關(guān)于Ru在H₂/CO氧化反應(yīng)中作用的研究結(jié)果。通過使用套索回歸來預(yù)測雙金屬 Pt-Ru合金的性能，作者發(fā)現(xiàn)了與已報(bào)道的性能最佳的Pt-Ru催化劑相似的最佳成分。這些結(jié)果強(qiáng)烈表明，采用簡單的、不含表面活性劑的合成方法及對(duì)納米粒子催化劑進(jìn)行最小表征的優(yōu)化過程，主要依賴于定義明確的合成變量并引入催化性能的度量，是探索HEA納米粒子催化劑廣闊組成空間的有效策略。當(dāng)在成分空間中加入更多的金屬時(shí)，這就變得尤為重要。此外，通過比較計(jì)算和實(shí)驗(yàn)研究的發(fā)展趨勢，可發(fā)現(xiàn)不同組分的“起始電位”與*OH的吸附能之間存在相關(guān)性。當(dāng)考慮5%的*OH吸附最強(qiáng)位點(diǎn)時(shí)，計(jì)算數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)之間的相關(guān)性最好?？傊狙芯扛攀隽艘环N有效且可行的方法，用于探索結(jié)合實(shí)驗(yàn)和計(jì)算手段的碳負(fù)載多組分納米粒子的多維組成空間。

圖2. 通過計(jì)算成本低廉的模型獲得的總體預(yù)測趨勢

Exploring the Composition Space of High-Entropy Alloy Nanoparticles for the Electrocatalytic H₂/CO Oxidation with Bayesian Optimization, ACS Catalysis 2022. DOI: 10.1021/acscatal.2c02563

5. JMCA: 機(jī)器學(xué)習(xí)篩選用于高效鈣鈦礦太陽能電池的界面鈍化材料

智能篩選鈍化材料對(duì)于提高鈣鈦礦太陽能電池（PSC）的功率轉(zhuǎn)換效率（PCE）值至關(guān)重要，而目前仍缺乏這一點(diǎn)。

在此，北京交通大學(xué)徐征研究員、宋丹丹副教授及福建師范大學(xué)衛(wèi)東等人以PSC 的鈣鈦礦/空穴傳輸層（HTL）界面為例，采用機(jī)器學(xué)習(xí)方法在原子水平上映射PCE和界面鈍化材料之間的相關(guān)性，從而實(shí)現(xiàn)智能材料篩選。首先，作者構(gòu)建了包括大約100種用于鈣鈦礦/空穴傳輸層界面的界面材料的數(shù)據(jù)集。然后，在進(jìn)行機(jī)器學(xué)習(xí)之前提取不同的特征，包括從界面材料、鈣鈦礦和標(biāo)準(zhǔn)器件性能中提取的特征。接下來，采用線性回歸（LR）、隨機(jī)森林（RF）、極端梯度提升（XGBoost）、神經(jīng)網(wǎng)絡(luò)（NN）4種模型預(yù)測基于100多種界面材料的器件效率。模型評(píng)估表明，RF模型最好地預(yù)測了PCE，均方根誤差為0.7%。最后，作者使用DFT計(jì)算來模擬鈣鈦礦表面和界面材料之間的相互作用以解釋這些特征在確定器件PCE中的重要性。

圖1. 這項(xiàng)工作中使用的機(jī)器學(xué)習(xí)方法的工作流程

基于上述結(jié)果和討論，可以總結(jié)出界面材料篩選/設(shè)計(jì)的三個(gè)基本規(guī)則：（1）材料應(yīng)至少具有一個(gè)NH₃⁺末端；（2）C鏈短，無苯環(huán)為佳；（3）其他官能團(tuán)的效率不如NH₃⁺。這些發(fā)現(xiàn)得到了數(shù)據(jù)集中列出的實(shí)驗(yàn)結(jié)果的支持，然而應(yīng)通過系統(tǒng)實(shí)驗(yàn)和特定表征方法進(jìn)一步深入了解這些發(fā)現(xiàn)背后的潛在機(jī)制。此外，這些發(fā)現(xiàn)是從基于設(shè)備PCE的機(jī)器學(xué)習(xí)模型中獲得的。如果考慮其他設(shè)備性能指標(biāo)（如穩(wěn)定性、成本等），結(jié)果可能會(huì)有所不同，更多與其他設(shè)備性能指標(biāo)相關(guān)的機(jī)器學(xué)習(xí)模型對(duì)于篩選實(shí)際應(yīng)用的材料至關(guān)重要。盡管如此，機(jī)器學(xué)習(xí)方法可為材料篩選/設(shè)計(jì)提供一般規(guī)則，并在實(shí)驗(yàn)前預(yù)測幾乎準(zhǔn)確的結(jié)果。這將顯著加快新型界面材料的開發(fā)，降低材料成本和時(shí)間消耗。

圖2. 不同模型的預(yù)測性能及特征重要性分析

Screening interface passivation materials intelligently through machine learning for highly efficient perovskite solar cells, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA04788H

6. 北化張欣/楊宇森JMCA: DFT+機(jī)器學(xué)習(xí)高效篩選雙金屬位點(diǎn)CO₂RR催化劑

CO₂的電還原為實(shí)現(xiàn)碳循環(huán)和能源再生提供了一種可持續(xù)的途徑，開發(fā)用于CO₂還原反應(yīng)（CO₂RR）的高效電催化劑是關(guān)鍵的科學(xué)問題。目前，雙金屬位點(diǎn)催化劑（DMSCs）在電化學(xué)CO₂RR中顯示出巨大的潛力。然而，調(diào)節(jié)多種過渡金屬的組合和結(jié)構(gòu)是一項(xiàng)巨大的挑戰(zhàn)。

在此，北京化工大學(xué)張欣教授、楊宇森等人報(bào)道了一種數(shù)據(jù)驅(qū)動(dòng)策略，采用DFT與機(jī)器學(xué)習(xí)（ML）算法相結(jié)合來預(yù)測1120個(gè)DMSCs（兩個(gè)過渡金屬原子嵌入在氮摻雜石墨烯中，即M₁-M₂-N₆-Gra，金屬和氮的配位數(shù)(ω)在2~4之間）的催化性能，以篩選出高效的CO₂RR電催化劑。DFT計(jì)算結(jié)果表明，當(dāng)ΔG_*CO大于0.11 eV時(shí)，U_L與ΔG_*CO之間存在良好的線性關(guān)系。然而，當(dāng)ΔG_*CO小于0.11 eV時(shí)，線性關(guān)系被顯著破壞，導(dǎo)致使用ΔG_*CO對(duì)催化劑性能的預(yù)測不準(zhǔn)確。因此，有必要通過使用具有簡單易用特性的機(jī)器學(xué)習(xí)來訓(xùn)練更準(zhǔn)確地描述DMSCs催化性能的預(yù)測模型。接下來，作者使用Pearson相關(guān)系數(shù)對(duì)特征進(jìn)行分析，然后建立了具有這些特征的簡單ML模型，可在不到1分鐘的時(shí)間內(nèi)獲得CO₂RR的U_L準(zhǔn)確預(yù)測。

圖1. 不同ML算法的預(yù)測性能

研究表明，在4種不同的監(jiān)督ML算法，即梯度提升回歸（GBR）、AdaBoosting 回歸（ABR）、隨機(jī)森林回歸（RFR）和線性回歸（LR）中，具有 17 個(gè)特征的梯度提升回歸（GBR）模型的預(yù)測精度最高，均方根誤差為0.09 V，決定系數(shù)R²為0.98。使用Pearson相關(guān)系數(shù)進(jìn)行進(jìn)一步的數(shù)據(jù)分析，ω和e是M₁-M₂-N₆-Gra的CO₂RR最顯著的描述符，催化性能隨配位數(shù)和電子轉(zhuǎn)移數(shù)的增加而增加。通過實(shí)施兩輪嚴(yán)格的特征選擇過程，4種DMSCs（Mn-Ru、Mn-Os、Zn-Ru和Co-Au-N₆-Gra-model 3）被確定為潛在的CO₂RR高效電催化劑。通過DFT計(jì)算，作者以高精度（小于0.07 V誤差）的結(jié)果驗(yàn)證了ML預(yù)測的這些數(shù)據(jù)?？傊?，這項(xiàng)工作展示了ML方法的巨大潛力，并為合理設(shè)計(jì)高性能電催化劑提供了一種有效且準(zhǔn)確的篩選方法。

圖2. ML預(yù)測與DFT計(jì)算結(jié)果的比較

Data-driven design of dual-metal-site catalysts for the electrochemical carbon dioxide reduction reaction, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA04556G

原創(chuàng)文章，作者：華算老司機(jī)，如若轉(zhuǎn)載，請(qǐng)注明來源華算科技，注明出處：http://m.xiubac.cn/index.php/2022/10/06/a9f51dbe46/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

機(jī)器學(xué)習(xí)頂刊匯總：EES、ACS Energy Lett.、ACS Nano、ACS Catal.、JMCA等成果

相關(guān)推薦

機(jī)器學(xué)習(xí)頂刊匯總：EES、ACS Energy Lett.、ACS Nano、ACS Catal.、JMCA等成果