Machine Learning‐Driven Mass Discovery and High‐Throughput Screening of Fluoroether‐Based Electrolytes for High‐Stability Lithium Metal Batteries
Notice bibliographique
Résumé
Abstract Developing novel fluoroether electrolytes with high‐voltage stability is an effective strategy to improve the performance of lithium metal batteries (LMB). However, the vast chemical space of fluoroether is underexplored due to the absence of effective tools to evaluate the potential used in high‐voltage LMB. Herein, a framework was developed in combination of Voting ensemble algorithms and graph convolution neural network (GCNN), allowing the fast assessment of oxidative stability of non‐aqueous liquid electrolytes, synthesizability of solvents as well as the solvation ability of them to dissolve lithium salts. Potential fluoroether solvent candidates for high‐voltage LMB were screened out from a virtual library comprising 5576 electrolytes constructed by a combination of 1510 solvents and 4 salts. Among them, two fluorinated ethers, 1,1,1,3,3,3‐hexafluoro‐2‐(2‐methoxyethoxy) propane and 7,7,8,8‐tetrafluoro‐3,12‐dimethoxy‐2,5,10,13‐tetraoxatetradecane, were successfully synthesized and showed satisfactory high‐voltage stability, sufficient solvation ability and satisfactory cycling with almost 99.5 % coulombic efficiency in Li||NMC811 full cell. This work provided an efficient framework for the discovery of solvents with high‐voltage tolerance in a vast structural space prior to experimental synthesis, accelerating the development of advanced electrolyte for high‐energy‐density rechargeable batteries.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».