8月3日消息,新泽西理工学院(NJIT)Dibakar Datta研究团队在arXiv发表综述论文(2608.02858),系统论述了物理信息和知识驱动的生成式AI在多孔过渡金属氧化物储能材料自主发现中的机遇与挑战。
多孔过渡金属氧化物是一类重要的电池材料,其性能取决于晶体化学、孔结构、离子传输、电化学、电化学-力学耦合、合成工艺、制造及电池系统运行等多个维度的复杂交互作用。论文指出,下一代储能材料的发现瓶颈已不再仅是计算能力,而是底层设计问题本身的复杂性。
论文回顾了生成式AI在材料科学中的最新进展,分析了这些方法在处理多孔氧化物这类高维度、多耦合设计空间时展现的能力和局限。作者讨论了AI驱动的自主发现范式如何整合领域知识(晶体对称性、热力学约束、合成可行性等物理先验)来约束生成过程,避免纯数据驱动方法产生的非物理结果。
关键挑战包括:训练数据中高质量实验结果的稀缺、多尺度模拟(从DFT到连续介质)之间的鸿沟、AI生成结构的可合成性评估、以及电池运行条件下材料降解的长期预测。论文提出了将物理信息神经网络(PINN)与主动学习、高通量计算相结合的混合框架路线图。
Datta团队的工作为AI辅助电池材料研发提供了方法论指引。多孔过渡金属氧化物在锂离子电池正极、超级电容器电极和电催化剂载体等领域有广泛应用,加速其发现对降低电池成本和提升能量密度具有产业意义。
（来源：arXiv）