نشریه پژوهش های نوین فیزیک

چارچوب یادگیری ماشین تفسیرپذیر جهت پیش‌بینی خواص الکتروشیمیایی مواد الکترودی بر پایه کربن در باتری‌های لیتیوم-یون

نوع مقاله : مقاله پژوهشی

نویسندگان

فردین تقی زاده 1
الهام زارع 2

1 گروه فیزیک، دانشگاه یاسوج، یاسوج، ایران

2 گروه فیزیک، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران

10.22034/jmrph.2026.137621.1000
چکیده
در این پژوهش، از روش‌های یادگیری ماشین مبتنی بر توصیف‌گرهای شیمی کوانتومی حاصل از محاسبات نظریه تابعی چگالی برای پیش‌بینی پتانسیل ردوکس مولکول‌های آلی فعال ردوکس استفاده شد. توصیف‌گرهای الکترونی استخراج‌شده از محاسبات نظریه تابعی چگالی به‌عنوان ورودی مدل‌های مختلف یادگیری ماشین به کار گرفته شدند و عملکرد آن‌ها با استفاده از شاخص‌های R2، MAE و RMSE مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل SVR با دستیابی به ضریب تعیین 0.974 و کمترین میزان خطا، بالاترین دقت پیش‌بینی را ارائه می‌دهد، در حالی که مدل Stacking نیز عملکردی بسیار نزدیک و پایدار از خود نشان داد. تحلیل هم‌بستگی، اهمیت ویژگی‌ها و مقادیر SHAPنشان داد که توصیف‌گرهای مرتبط با انتقال الکترون، به‌ویژه الکترون‌خواهی، بیشترین نقش را در پیش‌بینی پتانسیل ردوکس ایفا می‌کنند. هم‌خوانی نتایج یادگیری ماشین با مفاهیم شیمی کوانتومی بیانگر آن است که چارچوب پیشنهادی، ضمن دستیابی به دقت پیش‌بینی بالا، از قابلیت تفسیر مناسبی نیز برخوردار است. این مطالعه نشان می‌دهد که تلفیق محاسبات و یادگیری ماشین می‌تواند رویکردی کارآمد برای غربالگری سریع و طراحی هدفمند مولکول‌های آلی فعال ردوکس با خواص الکتروشیمیایی مطلوب فراهم آورد.

کلیدواژه‌ها

نظریه تابعی چگالی
یادگیری ماشین
پتانسیل ردوکس
مولکول‌های آلی
موضوعات

عنوان مقاله English

An Interpretable Machine Learning Framework for Predicting the Electrochemical Properties of Carbon-Based Electrode Materials in Lithium-Ion Batteries

نویسندگان English

Fardin Taghizadeh 1
Elham Zare 2
1 1Department of Physics, Faculty of Basic Sciences, Yasuj University, Yasuj, Iran
2 1Department of Physics, Faculty of Basic Sciences, Yasuj University, Yasuj, Iran
چکیده English

In this study, machine learning methods based on quantum chemical descriptors derived from Density Functional Theory (DFT) calculations were employed to predict the redox potentials of redox-active organic molecules. Electronic descriptors extracted from DFT calculations served as inputs for various machine learning models, whose performances were evaluated using R2, MAE, and RMSE metrics. The results demonstrated that the SVR model achieved the highest predictive accuracy, with a coefficient of determination (R2) of 0.974 and the lowest error rate, while the Stacking model exhibited closely comparable and stable performance. Correlation analysis, feature importance, and SHAP values revealed that electron transfer-related descriptors, particularly electron affinity, play the most significant role in predicting redox potentials. The consistency between ML results and quantum chemical concepts indicates that the proposed framework achieves high predictive accuracy alongside robust interpretability. This study highlights that the integration of DFT calculations and machine learning can provide an efficient approach for the rapid screening and targeted design of redox-active organic molecules with optimized electrochemical properties.

کلیدواژه‌ها English

Density Functional Theory
Machine Learning
Redox Potential
Organic Molecules
[1] H. Chen, T. N. Cong, W. Yang, C. Tan, Y. Li, Y. Ding, “Progress in electrical energy storage system: A critical review,” Progress in Natural Science, vol. 19, no. 3, pp. 291–312, 2009.
[2] B. Dunn, H. Kamath, J. M. Tarascon, “Electrical energy storage for the grid: a battery of choices,” Science, vol. 334, no. 6058, pp. 928–935, 2011.
[3] G. Jeong, Y. U. Kim, H. Kim, Y. J. Kim, H. J. Sohn, “Prospective materials and applications for Li secondary batteries,” Energy & Environmental Science, vol. 4, no. 6, pp. 1986–2002, 2011.
[4] N. Nitta, F. Wu, J. T. Lee, G. Yushin, “Li-ion battery materials: present and future,” Materials Today, vol. 18, no. 5, pp. 252–264, 2015.
[5] P. G. Bruce, B. Scrosati, J. M. Tarascon, “Nanomaterials for rechargeable lithium batteries,” Angewandte Chemie International Edition, vol. 47, no. 16, pp. 2930–2946, 2008.
[6] J. Hassoun, S. Panero, P. Reale, B. Scrosati, “A new, safe, high-rate and high-energy polymer lithium-ion battery,” Advanced Materials, vol. 21, no. 47, pp. 4807–4810, 2009.
[7] M. D. Bhatt, C. O’Dwyer, “Recent progress in theoretical and computational investigations of Li-ion battery materials and electrolytes,” Physical Chemistry Chemical Physics, vol. 17, no. 7, pp. 4799–4844, 2015.
[8] T. Liu, K. C. Kim, R. Kavian, S. S. Jang, S. W. Lee, “High-density lithium-ion energy storage utilizing the surface redox reactions in folded graphene films,” Chemistry of Materials, vol. 27, no. 9, pp. 3291–3298, 2015.
[9] S. Kim, K. C. Kim, S. W. Lee, S. S. Jang, “Thermodynamic and redox properties of graphene oxides for lithium-ion battery applications: a first principles density functional theory modeling approach,” Physical Chemistry Chemical Physics, vol. 18, no. 30, pp. 20600–20606, 2016.
[10] T. T. Wu, G. L. Dai, J. J. Xu, F. Cao, X. H. Zhang, Y. Zhao, Y. M. Qian, “Structural design of organic battery electrode materials: from DFT to artificial intelligence,” Rare Metals, vol. 42, no. 10, pp. 3269–3303, 2023.
[11] A. Khetan, “High-throughput virtual screening of quinones for aqueous redox flow batteries: Status and perspectives,” Batteries, vol. 9, no. 1, Art. no. 24, 2022.
[12] O. Allam, B. W. Cho, K. C. Kim, S. S. Jang, “Application of DFT-based machine learning for developing molecular electrode materials in Li-ion batteries,” RSC Advances, vol. 8, no. 69, pp. 39414–39420, 2018.
 
 
 

صفحه اصلی

راهنمای نویسندگان

ارسال مقاله

داوران

تماس با ما