Semiautomated Experiments to Accelerate the Design of Advanced Battery Materials: Combining Speed, Low Cost, and Adaptability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A number of methodologies are currently being exploited in order to dramatically increase the composition space explored in the design of new battery materials. This is proving necessary as commercial Li-ion battery materials have become increasingly high-performing and complex. For example, commercial cathode materials have quinary compositions with a sixth element in the coating, while a very large number of contenders are still being considered for solid electrolytes, with most of the periodic table being at play. Furthermore, the promise of accelerated design by computation and machine learning (ML) are encouraging, but they both ultimately require large amounts of quality experimental data either to fill in holes left by the computations or to be used to improve the ML models. All of this leads researchers to increase experimental throughputs. This perspective focuses on semiautomated experimental approaches where automation is only utilized in key steps where absolutely necessary in order to overcome bottlenecks while minimizing costs. Such workflows are more widely accessible to research groups as compared to fully automated systems, such that the current perspective may be useful to a wide community. The most essential steps in automation are related to characterization, with X-ray diffraction being a key bottleneck. By analyzing published workflows of both semi- and fully automated workflows, it is found herein that steps handled by researchers during the synthesis are not prohibitive in terms of overall throughput and may lead to greater flexibility, making more synthesis routes possible. Examples will be provided in this perspective of workflows that have been optimized for anodes, cathodes, and electrolytes in Li batteries, the vast majority of which are also suitable for battery technologies beyond Li.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle