in the repository
URN to cite this document: urn:nbn:de:bvb:703-epub-9018-5
Title data
Ganti, Subhash V. S. ; Wölfel, Lukas ; Künneth, Christopher:
AI-Driven Discovery of High Performance Polymer Electrodes for Next-Generation Batteries.
In: Journal of Polymer Science.
Vol. 63
(2025)
Issue 21
.
- pp. 4631-4639.
ISSN 2642-4169
DOI der Verlagsversion: https://doi.org/10.1002/pol.20250198
![[thumbnail of Journal of Polymer Science - 2025 - Ganti - AI‐Driven Discovery of High Performance Polymer Electrodes for Next‐Generation.pdf]](https://epub.uni-bayreuth.de/style/images/fileicons/application_pdf.png) |
|
||||||||
|
Download (2MB)
|
Project information
| Project title: |
Project's official title Project's id Open Access Publizieren No information |
|---|---|
| Project financing: |
Bayerisches Zentrum für Batterietechnik (BayBatt) |
Abstract
The use of transition group metals in electric batteries requires extensive usage of critical elements like lithium, cobalt, and nickel, which pose significant environmental challenges. Replacing these metals with redox-active organic materials offers a promising alternative, thereby reducing the carbon footprint of batteries by one order of magnitude. However, this approach faces critical obstacles, including the limited availability of suitable redox-active organic materials and issues such as lower electronic conductivity, voltage, specific capacity, and long-term stability. To overcome the limitations for lower voltage and specific capacity, a machine learning (ML) driven battery informatics framework is developed and implemented. This framework utilizes an extensive battery dataset and advanced ML techniques to accelerate and enhance the identification, optimization, and design of redox-active organic materials. In this contribution, a data-fusion ML coupled meta learning model capable of predicting the battery properties, voltage, and specific capacity for various organic negative electrodes and charge carriers (positive electrode materials) combinations is presented. The ML models accelerate experimentation, facilitate the inverse design of battery materials, and identify suitable candidates from three extensive material libraries to advance sustainable energy-storage technologies.
Abstract in another language
Die Verwendung von Metallen der Übergangsgruppe in elektrischen Batterien erfordert einen umfangreichen Einsatz von kritischen Elementen wie Lithium, Kobalt und Nickel, die erhebliche Umweltprobleme mit sich bringen. Der Ersatz dieser Metalle durch redoxaktive organische Materialien ist eine vielversprechende Alternative, die den Kohlenstoff-Fußabdruck von Batterien um eine Größenordnung reduziert. Dieser Ansatz stößt jedoch auf kritische Hindernisse, darunter die begrenzte Verfügbarkeit geeigneter redoxaktiver organischer Materialien und Probleme wie geringere elektronische Leitfähigkeit, Spannung, spezifische Kapazität und Langzeitstabilität. Zur Überwindung der Einschränkungen bei niedrigerer Spannung und spezifischer Kapazität wird ein auf maschinelles Lernen (ML) gestütztes Batterieinformatiksystem entwickelt und implementiert. Dieser Rahmen nutzt einen umfangreichen Batteriedatensatz und fortschrittliche ML-Techniken, um die Identifizierung, Optimierung und das Design von redoxaktiven organischen Materialien zu beschleunigen und zu verbessern. In diesem Beitrag wird ein datenfusioniertes ML-gekoppeltes Meta-Lernmodell vorgestellt, das in der Lage ist, die Batterieeigenschaften, die Spannung und die spezifische Kapazität für verschiedene Kombinationen organischer negativer Elektroden und Ladungsträger (positive Elektrodenmaterialien) vorherzusagen. Die ML-Modelle beschleunigen das Experimentieren, erleichtern das inverse Design von Batteriematerialien und identifizieren geeignete Kandidaten aus drei umfangreichen Materialbibliotheken, um nachhaltige Energiespeichertechnologien voranzutreiben.
Download Statistics