编辑/凯霞
为了满足不断增长的能源需求，将太阳能和风能等可再生能源与电网相结合，需要专门设计大型电池，这些电池可以在阳光明媚时充电，在夜间提供能量。
有一种类型的电池：液流电池，在这方面很有前景。找到既能储存大量能量又能长时间保持稳定的目标分子是科学家的目标。
近日，来自美国能源部 （DOE）阿贡国家实验室的研究人员开发了基于多目标贝叶斯优化（MBO）的主动学习（AL）框架，来加速寻找所需的氧化还原活性分子，以应用于高能量密度非水性氧化还原液流电池。且预计这种主动学习技术是通用的，可用于发现满足多种所需特性标准的任何类别的功能材料。
该研究以「Discovery of Energy Storage Molecular Materials Using Quantum Chemistry-Guided Multiobjective Bayesian Optimization」 为题，于 2021 年 10 月 14 日发表在《Chem. Mater.》期刊上。
液流电池是一种新型的蓄电池，液流电池由点堆单元、电解液、电解液存储供给单元以及管理控制单元等部分构成，是利用正负极电解液分开，各自循环的一种高性能蓄电池，具有容量高、使用领域（环境）广、循环使用寿命长的特点，是一种新能源产品。
氧化还原液流电池 （Redox flow batteries，RFB）因其灵活的设计、可扩展性和低成本而成为用于固定储能应用的有前途的技术。非水 RFB（NRFB）与它们的水对应物相比具有多种优势。
在设计用于高性能 NRFB 的氧化还原分子时，需要考虑几个特性。例如，2,1,3-苯并噻二唑（BzNSN）是 NRFB 中一种经过充分研究的阳极电解液氧化还原聚合物（经过还原），具有低氧化还原电位、低分子量、带电自由基阴离子的高稳定性和出色的电化学循环性能。
「自然界从来都不是完美的，没有一种分子在各个方面都是理想的。」阿贡化学家 Rajeev Assary 说。
由于计算所有潜在候选物的属性非常耗时，研究人员转向了一种称为主动学习的机器学习技术。
阿贡国家实验室研究人员开发了基于 MBO 的 AL 框架，以加速寻找所需的氧化还原活性分子，以应用于高能量密度 NRFB。
图示：NRFB 阳极电解液候选分子的多目标设计。（来源：论文）
研究人员模拟了阳极电解液氧化还原聚合物或液流电池中的电活性分子。对于每个氧化还原聚体，研究人员确定了他们想要优化的三个特性：还原电位 (Ered)、溶剂化自由能 (Gsolv) 和吸收波长 (λabs)。还原电位和溶剂化自由能与分子可以储存多少能量有关，荧光作为一种自我报告标记，指示电池的整体健康状况。
MBO 首先针对 1400 个 BzNSN 分子的 DFT 评估数据集进行基准测试。然后，将该模型应用于包含 100 万个分子的未知数据集，仅使用 100 次 DFT 评估来确定最佳候选者。
多目标贝叶斯优化
MBO 是一类多目标优化，使用代理模型（例如高斯过程回归），根据改进指标（例如预期改进）搜索最佳候选。
MBO 工作流程的总体方案如下图所示。预处理步骤（绿色）包括整个候选库的特征生成，然后是随机选择 10 个 BzNSN 分子。感兴趣的分子特性 Ered、Gsolv 和 λabs 是使用 DFT 模拟计算的，并用作 GPR 模型（红色）训练的初始数据集。然后，使用 GPR 预测的剩余候选者的属性和不确定性来计算三组 EI 值，其中每组对应一个属性。选择具有帕累托最优 EI 组合的候选者进行下一轮 DFT 模拟，并重复循环。
图示：通过 MBO 从候选库（BzNSN 分子）中发现分子的 AL 工作流程。（来源：论文）
MBO 在 1400 BzNSN 分子数据集上的性能
多目标目标是将 Ered 和 Gsolv 降至最低，同时将 λabs 设为 375 nm。对于 1400 BzNSN 数据集，有 22 个数据点/分子构成了真正的帕累托前沿或最优解集.
众所周知，用于评估 MBO 方法性能的一个指标是超体积（hypervolume）指标，它是通过将帕累托最优点连接到多目标空间中的选定参考点而封闭的体积。为了达到 99% 的最大超体积，MBO 只需要 74 个分子评估，而随机选择需要平均研究 1126 个分子。因此，该 MBO 方法比随机选择的效率至少提高了 15 倍。
图示：（a）DFT 计算的 Ered、Gsolv 和 1400 BzNSN 分子数据集 (实心圆) 的 λabs 的分布；（b）MBO 和随机选择之间的性能比较。（来源：论文）
MBO 在 100 万个 BzNSN 的未知分子数据集上的应用
为了证明 MBO 方法的稳健性和通用性，研究人员将其应用于一个更大的新分子数据集。这个新的数据集是通过在分子支架中扩展具有更多不同取代基（「R」位置）的候选分子库而生成的。
从 100 万个 BzNSN 数据集中确定了四个 MBO 建议的分子，与整个 1400 BzNSN 相比，它们具有较低的 Ered 和 Gsolv 值数据集，同时将 λabs 保持在 350 – 400 nm 的理想范围内（|λabs – 375| ≤ 25）。这些结果表明了 MBO 方法用于识别多种设计标准的氧化还原聚合物的高效性和稳健性。
图示：从 100 万个 BzNSN 数据集中识别出四种 MBO 建议的分子。（来源：论文）
尽管 MBO 算法已经过优化，可以有效地评估超过 106 个具有 N ≥ 2 个目标的数据点，但仍然存在的一个瓶颈，即通过分子模拟进行属性评估的速度。因此，该方法的整体效率还取决于材料的复杂性及其感兴趣的特性。
稳健而灵活的多目标 AL 方法为多标准功能材料的加速发现提供了一个框架。
论文链接：https://pubs.acs.org/doi/full/10.1021/acs.chemmater.1c02040
参考内容：https://techxplore.com/news/2021-11-ai-optimize-battery-properties-simultaneously.html
