隨著現(xiàn)代計算機計算能力的提高、數(shù)學算法的快速發(fā)展及材料數(shù)據(jù)庫的不斷建立，人工智能（AI）在化學領域展現(xiàn)出巨大的潛力。機器學習（ML）作為AI最重要的分支之一，在加速液流電池（FBs）關鍵材料的發(fā)現(xiàn)和設計及FB系統(tǒng)的優(yōu)化方面發(fā)揮著重要作用。

在此，中科院大連化物所李先鋒研究員、張長昆研究員等人總結了FB領域應用ML的最新進展。首先，作者提供了對ML工作流程的基本理解：第一步是數(shù)據(jù)集構建，為ML應用收集足夠的數(shù)據(jù)樣本。第二步是特征工程，基于原始數(shù)據(jù)通過數(shù)學表示創(chuàng)建新的特征。隨后，將數(shù)據(jù)隨機劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集，利用ML算法在訓練數(shù)據(jù)集的特征和目標函數(shù)之間建立模型。

接下來，對算法的參數(shù)進行調(diào)整以優(yōu)化模型，然后通過測試數(shù)據(jù)集評估模型的準確性。最后，經(jīng)過驗證的模型可用于預測未知數(shù)據(jù)的屬性。此外，作者總結了最先進的ML算法在有機液流電池（OFB）和釩基液流電池（VFB）系統(tǒng)中的成功應用，還包括基于高通量計算模擬的FBs有機氧化還原活性分子的物理和電化學性質(zhì)的預測。

圖1. ML的一般應用工作流程

最后，作者對ML在FBs中應用的主要局限性和未來研究方向進行了展望：

（1）相關數(shù)據(jù)庫和算法的構建和共享。擁有足夠數(shù)據(jù)量和可靠數(shù)據(jù)的數(shù)據(jù)庫是ML在FB中應用的第一個關鍵步驟，如何更有效地共享數(shù)據(jù)是另一個挑戰(zhàn)；

（2）提高堆棧性能和降低系統(tǒng)成本。ML已應用于連接VFB的堆棧性能和系統(tǒng)成本，還可為其他FB構建性能成本模型。此外，可更多關注時間序列預測方法的結合；

（3）監(jiān)測系統(tǒng)運行參數(shù)及對參數(shù)進一步預測。ML可根據(jù)FB系統(tǒng)產(chǎn)生的海量運行數(shù)據(jù)預測運行參數(shù)，進而指導系統(tǒng)運行。此外，通過在運行參數(shù)和性能之間建立模型，ML可用于優(yōu)化 FB 系統(tǒng)的總體成本；

（4）提高ML模型的可解釋性。這可為理解原始設計的機理和規(guī)律、發(fā)現(xiàn)能源材料、指導堆棧和系統(tǒng)的優(yōu)化提供啟發(fā)，如何建立一個機制清晰、可理解的模型將是未來的一個重要研究方向。

圖2. 面向FBs的ML未來研究展望

Machine learning for flow batteries: opportunities and challenges, Chemical Science 2022. DOI: 10.1039/D2SC00291D