Machine learning assisted screening of materials for Li-ion batteries
Razvoj materijala za litijum-jonske baterije korišćenjem mašinskog učenja
Аутори
Batalović, KatarinaMedić Ilić, Mirjana
Kuzmanović, Bojana
Paskaš Mamula, Bojana
Radaković, Jana
Конференцијски прилог (Објављена верзија)
Метаподаци
Приказ свих података о документуАпстракт
The development of novel materials is seen as the key approach to improvements in the performance of Li-ion batteries. Recently, conversion-type electrodes have been demonstrated to improve battery capacity and energy density. Metal hydrides are considered promising anode materials, while some hydride materials are also considered solid ionic conductors. In this research, we rely on the machine learning approach to predict the properties of novel anode materials depending on hydride conversion reactions. We limit our search to Mg-containing intermetallic compounds and screen a vast database of optimized crystal structures obtained using density functional theory calculations. The composition and crystal structure of selected metals/intermetallics are input for a graph neural network-based machine learning model to predict hydride formation enthalpy and equilibrium electrode potential vs. Li+ /Li0 . Among 245 intermetallic compounds found to be satisfactory as anode materials, we partic...ularly discuss La-Mg-X intermetallics. The work demonstrates the advantages of combining artificial intelligence tools and theoretical approaches with experimental results for property prediction and fast screening of vast combinatorial space.
Brojna istraživanja usmerena su na razvoj novih materijala kao ključnog pristupa u poboljšanju performansi litijum-jonskih baterija. Poslednjih godina posebno se ispituju konverzione elektrode koje omogućavaju veće kapacitete i gustine energija. Posebno, metalni hidridi se ispituju kao pogodni materijali za anode konverzionog tipa, dok se takođe neki hidridi ispituju i kao pogodni jonski provodnici. U ovom radu koristimo modele mašinskog učenja za predviđanje osobina novih anodnih materijala, oslanjajući se na reakcije konverzije hidrida. Pretraga novih intermetalnih jedinjenja ograničana je na one koji sadrže magnezijum, a kao izvor podataka korišćene su dostupne baze kristalnih struktura oprimizovanih proračunima zasnovanim na teoriji funkcionala gustine. Sastav i kristalna struktura odabranih metala/intermetalnih jedinjenja korišćeni su kao ulazni podaci za model mašinskog učenja zasnovan na graf neuronskim mrežama. Na taj način predviđene su entalpije formiranja hidrida i ravnotežn...i elektrodni potencijali u odnosu na Li+/Li0. Od 245 intermetalnih jedinjenja koja zadovoljavaju uslov za anodni materijal izdvojena su i diskutovana ternarna jedinjenja La-Mg-X. Ovaj rad pokazuje prednost kombinovanja alata veštačke inteligencije i teorijskih pristupa sa eksperimentalnim radom u cilju predviđanja osobina novih materijala i brze pretrage velikog prostora mogućih intermetalnih jedinjenja.
Кључне речи:
Li-ion batteries / anodes / machine learning / metal hydride / Mg / litijum-jonske baterije / anode / mašinsko učenje / metalni hidridi / magnezijumИзвор:
XXIV YuCorr International Conference : Proceedings, 2023, 65-70Издавач:
- Beograd : Serbian Society of Corrosion and Materials Protection UISKOZAM = Udruženje inženjera Srbije za koroziju i zaštitu materijala UISKOZAM
Финансирање / пројекти:
- Министарство науке, технолошког развоја и иновација Републике Србије, институционално финансирање - 200017 (Универзитет у Београду, Институт за нуклеарне науке Винча, Београд-Винча) (RS-MESTD-inst-2020-200017)
Колекције
Институција/група
VinčaTY - CONF AU - Batalović, Katarina AU - Medić Ilić, Mirjana AU - Kuzmanović, Bojana AU - Paskaš Mamula, Bojana AU - Radaković, Jana PY - 2023 UR - https://vinar.vin.bg.ac.rs/handle/123456789/11243 AB - The development of novel materials is seen as the key approach to improvements in the performance of Li-ion batteries. Recently, conversion-type electrodes have been demonstrated to improve battery capacity and energy density. Metal hydrides are considered promising anode materials, while some hydride materials are also considered solid ionic conductors. In this research, we rely on the machine learning approach to predict the properties of novel anode materials depending on hydride conversion reactions. We limit our search to Mg-containing intermetallic compounds and screen a vast database of optimized crystal structures obtained using density functional theory calculations. The composition and crystal structure of selected metals/intermetallics are input for a graph neural network-based machine learning model to predict hydride formation enthalpy and equilibrium electrode potential vs. Li+ /Li0 . Among 245 intermetallic compounds found to be satisfactory as anode materials, we particularly discuss La-Mg-X intermetallics. The work demonstrates the advantages of combining artificial intelligence tools and theoretical approaches with experimental results for property prediction and fast screening of vast combinatorial space. AB - Brojna istraživanja usmerena su na razvoj novih materijala kao ključnog pristupa u poboljšanju performansi litijum-jonskih baterija. Poslednjih godina posebno se ispituju konverzione elektrode koje omogućavaju veće kapacitete i gustine energija. Posebno, metalni hidridi se ispituju kao pogodni materijali za anode konverzionog tipa, dok se takođe neki hidridi ispituju i kao pogodni jonski provodnici. U ovom radu koristimo modele mašinskog učenja za predviđanje osobina novih anodnih materijala, oslanjajući se na reakcije konverzije hidrida. Pretraga novih intermetalnih jedinjenja ograničana je na one koji sadrže magnezijum, a kao izvor podataka korišćene su dostupne baze kristalnih struktura oprimizovanih proračunima zasnovanim na teoriji funkcionala gustine. Sastav i kristalna struktura odabranih metala/intermetalnih jedinjenja korišćeni su kao ulazni podaci za model mašinskog učenja zasnovan na graf neuronskim mrežama. Na taj način predviđene su entalpije formiranja hidrida i ravnotežni elektrodni potencijali u odnosu na Li+/Li0. Od 245 intermetalnih jedinjenja koja zadovoljavaju uslov za anodni materijal izdvojena su i diskutovana ternarna jedinjenja La-Mg-X. Ovaj rad pokazuje prednost kombinovanja alata veštačke inteligencije i teorijskih pristupa sa eksperimentalnim radom u cilju predviđanja osobina novih materijala i brze pretrage velikog prostora mogućih intermetalnih jedinjenja. PB - Beograd : Serbian Society of Corrosion and Materials Protection UISKOZAM = Udruženje inženjera Srbije za koroziju i zaštitu materijala UISKOZAM C3 - XXIV YuCorr International Conference : Proceedings T1 - Machine learning assisted screening of materials for Li-ion batteries T1 - Razvoj materijala za litijum-jonske baterije korišćenjem mašinskog učenja SP - 65 EP - 70 UR - https://hdl.handle.net/21.15107/rcub_vinar_11243 ER -
@conference{ author = "Batalović, Katarina and Medić Ilić, Mirjana and Kuzmanović, Bojana and Paskaš Mamula, Bojana and Radaković, Jana", year = "2023", abstract = "The development of novel materials is seen as the key approach to improvements in the performance of Li-ion batteries. Recently, conversion-type electrodes have been demonstrated to improve battery capacity and energy density. Metal hydrides are considered promising anode materials, while some hydride materials are also considered solid ionic conductors. In this research, we rely on the machine learning approach to predict the properties of novel anode materials depending on hydride conversion reactions. We limit our search to Mg-containing intermetallic compounds and screen a vast database of optimized crystal structures obtained using density functional theory calculations. The composition and crystal structure of selected metals/intermetallics are input for a graph neural network-based machine learning model to predict hydride formation enthalpy and equilibrium electrode potential vs. Li+ /Li0 . Among 245 intermetallic compounds found to be satisfactory as anode materials, we particularly discuss La-Mg-X intermetallics. The work demonstrates the advantages of combining artificial intelligence tools and theoretical approaches with experimental results for property prediction and fast screening of vast combinatorial space., Brojna istraživanja usmerena su na razvoj novih materijala kao ključnog pristupa u poboljšanju performansi litijum-jonskih baterija. Poslednjih godina posebno se ispituju konverzione elektrode koje omogućavaju veće kapacitete i gustine energija. Posebno, metalni hidridi se ispituju kao pogodni materijali za anode konverzionog tipa, dok se takođe neki hidridi ispituju i kao pogodni jonski provodnici. U ovom radu koristimo modele mašinskog učenja za predviđanje osobina novih anodnih materijala, oslanjajući se na reakcije konverzije hidrida. Pretraga novih intermetalnih jedinjenja ograničana je na one koji sadrže magnezijum, a kao izvor podataka korišćene su dostupne baze kristalnih struktura oprimizovanih proračunima zasnovanim na teoriji funkcionala gustine. Sastav i kristalna struktura odabranih metala/intermetalnih jedinjenja korišćeni su kao ulazni podaci za model mašinskog učenja zasnovan na graf neuronskim mrežama. Na taj način predviđene su entalpije formiranja hidrida i ravnotežni elektrodni potencijali u odnosu na Li+/Li0. Od 245 intermetalnih jedinjenja koja zadovoljavaju uslov za anodni materijal izdvojena su i diskutovana ternarna jedinjenja La-Mg-X. Ovaj rad pokazuje prednost kombinovanja alata veštačke inteligencije i teorijskih pristupa sa eksperimentalnim radom u cilju predviđanja osobina novih materijala i brze pretrage velikog prostora mogućih intermetalnih jedinjenja.", publisher = "Beograd : Serbian Society of Corrosion and Materials Protection UISKOZAM = Udruženje inženjera Srbije za koroziju i zaštitu materijala UISKOZAM", journal = "XXIV YuCorr International Conference : Proceedings", title = "Machine learning assisted screening of materials for Li-ion batteries, Razvoj materijala za litijum-jonske baterije korišćenjem mašinskog učenja", pages = "65-70", url = "https://hdl.handle.net/21.15107/rcub_vinar_11243" }
Batalović, K., Medić Ilić, M., Kuzmanović, B., Paskaš Mamula, B.,& Radaković, J.. (2023). Machine learning assisted screening of materials for Li-ion batteries. in XXIV YuCorr International Conference : Proceedings Beograd : Serbian Society of Corrosion and Materials Protection UISKOZAM = Udruženje inženjera Srbije za koroziju i zaštitu materijala UISKOZAM., 65-70. https://hdl.handle.net/21.15107/rcub_vinar_11243
Batalović K, Medić Ilić M, Kuzmanović B, Paskaš Mamula B, Radaković J. Machine learning assisted screening of materials for Li-ion batteries. in XXIV YuCorr International Conference : Proceedings. 2023;:65-70. https://hdl.handle.net/21.15107/rcub_vinar_11243 .
Batalović, Katarina, Medić Ilić, Mirjana, Kuzmanović, Bojana, Paskaš Mamula, Bojana, Radaković, Jana, "Machine learning assisted screening of materials for Li-ion batteries" in XXIV YuCorr International Conference : Proceedings (2023):65-70, https://hdl.handle.net/21.15107/rcub_vinar_11243 .