利用机器实验和机器学习的自主探索电池电解质
前言：为了实现交通运输和航空领域的电气化，高能量密度和安全的电池至关重要。利用机器学习和机器人实验相结合的方法，在电池电解液设计领域进行自主探索的尝试。电池材料的改进可能需要数年时间，并且需要多次测试迭代来优化材料以实现目标。
机器学习方法可以用于优化这些黑盒函数，从而加速电池材料的设计过程。为了实现逆向材料设计，构建了名为"Otto"的自动化实验平台，用于表征电池电解液。将该平台连接到贝叶斯优化器，并允许其在实时测量反馈的基础上自主地计划每个实验。
研究的目标是：展示和评估将机器学习整合到机器人技术中进行电池电解液设计的首次尝试；自信地在以前未探索的设计空间中进行优化；通过这种方法发现有趣、非直觉且高性能的材料；
使用"Otto"混合预先溶解在饲料溶液中的过饱和水性电解质盐，并测量两个电解质目标：离子电导率和电化学稳定性，以及温度和pH值。电化学稳定性通过在两根铂丝上进行恒定电流保持测试，并使用Ag/AgCl参比电极进行测试。
阴离子的混合物中进行全面搜索以找到最佳配方将非常耗，这些设计空间的复杂性呈现出组合爆炸的特点。Otto使用的测试体积为7毫升。以0.1毫升为增量全面搜索3种盐的混合物空间将需要进行62,000次评估，而4种盐的混合物空间将需要进行1,150,000次评估。
为了使在这个设计空间上的优化变得实际可行，将Otto连接到了Bayesian优化软件包Dragonfly。利用一系列获取策略和进化算法来扩展和稳健地处理黑盒函数。
Dragonfly使用了四种不同的获取函数，并通过每次优化运行过程中主动学习哪种函数在当前任务中表现最佳。为了本研究而在Dragonfly中开发的，直接与实验进行接口交互需要支持在任意约束和离散域下进行优化。
钠电解质的优化曲线呈现出分裂的趋势，电解质中任何数量的NaBr都会显著降低阴极的稳定性，这是由溴离子的阳极反应引起的，在NaBr轴上出现了非平滑的化学响应。
当稳定性窗口针对电解质组分的欧几里得距离进行观察时，并与锂设计空间进行比较，可以看出设计空间的这种特性。钠设计空间中使用的基础高斯过程回归模型可能在优化的前半部分对采样数据拟合得不太好，在对数尺度上重新运行了钠设计空间上的优化。
Dragonfly在前五次运行中通过对设计空间进行随机采样来进行初始化，对于锂设计空间来说，其中包括一个强电解质。
三维设计空间较钠设计空间较小，并对电解质配方呈现出平滑的响应。优化器确定了两种混合物和纯LiNO3饲料溶液作为具有最佳稳定性窗口的三个候选方案；
其他表现较好的候选方案是LiNO3的稀释物，但没有进行测试。这些电解质每个额外进行了四次实验，浓缩的LiNO3电解质是优化器测试的性能最佳的电解质。
尽管24 mV的改进并不构成最先进的水性电池电解质。与NaClO4溶液相比，Blend E具有更高的水浓度，但对OER表现出增加的稳定性。
进一步评估在高浓度NaClO4附近添加少量NaNO3时，即使添加的NaNO3较少，也可以达到类似改善OER稳定性的效果。Blend E的混合阴离子特性可能更显著地抑制界面处的水活性，对NaClO4溶液的整体性质变化较小。
使用NaTi2（PO4）3和活性炭作为阳极和阴极构建了一个完整的电池，Blend E作为电解质，该电池可以在许多循环中稳定工作在超过2V的电压下。
所发现的电解质与基准相比，仅仅在100个部分中有4个部分的差异，相当于添加剂的比例。这种方法和所需的设备廉价且仅由高精度泵装置、定制加工的聚四氟乙烯夹具以及Consort探针和Palmsens 4标准电化学工具组成。
本研究展示首个通过机器学习与机器人技术集成进行电池电解质自动设计的方法。优化了两个以前未被探索的设计空间，并找到了一个有趣且非直观的最优解，同时生成了一个关于水性电解质的数据库。
Otto捕获的所有数据都以结构化格式提供，其中包括所有提到的盐的离子电导率、pH值和电化学行为的完整浓度依赖关系，通过对铂进行多步电位法测试获得。
数据集中包含了单一盐的详尽数据，以及在机器学习引导下进行稳定性窗口优化期间请求的167个样品。我们相信这些数据不仅对电池界有用，而且对于相关领域的人们也很有用。这个结果证明了自主平台加速材料优化的能力的重要证据。
结论：本研究报告了一种自主优化电池电解质的方法，该方法利用机器学习与机器人测试平台相结合，进行了数百次顺序实验。
最佳电解质是一种混合阴离子的钠电解质，尽管盐含量较低，但比基准电解质更稳定，与已知的设计原则相反。机器人测试平台的精确性和重复性使我们能够发现人为设计可能忽视的配方，将机器学习与机器人技术相结合，可以发现新颖的电池材料。
