據了解，日前該團隊將他們的研討成果發(fā)表在《能源與環(huán)境科學》雜志上。文章顯現(xiàn)，科學家們并沒有運用傳統(tǒng)的隨機測驗單個化合物的辦法來尋找新的固體電解質資料，而是運用了人工智能和機器學習，通過實驗數(shù)據構造猜測模型。他們訓練了一種計算機算法，根據現(xiàn)有的數(shù)據，去學習怎么辨認化合物的好壞。這個進程和人臉辨認算法，在觀察幾個典范后，去辨認人臉的進程很相似。

論文的第一作者、研討的帶頭人、應用物理學博士研討生AustinSendek表明：現(xiàn)有的含有鋰元素的化合物數(shù)量是數(shù)以萬計的，絕大多數(shù)是未經測驗的。其中的一些可能是性能優(yōu)異的導體。咱們開發(fā)了一個計算模型，有關咱們現(xiàn)有的有限數(shù)據進行學習，從大規(guī)模的數(shù)據庫中，選擇出合適的資料。這種選擇辦法的速度是現(xiàn)有選擇辦法的百萬倍。

為了設計這個模型，AustinSendek花費了差不多兩年時刻，搜集了有關含有鋰元素的固體化合物的簡直所有科學數(shù)據，然后通過這些數(shù)據對待選固體化合物的穩(wěn)定性、本錢、豐富度、鋰離子的導電性等許多理化屬性進行了評測，終究選擇出了21種最合適的固體電解質資料。

AustinSendek表明：咱們選擇了超過12,000種含有鋰元素的化合物，終究找到了21種作為固體電極的理想資料。選擇只要花費幾分鐘。我絕大多數(shù)的時刻，實際上是用于搜集和管理所有的數(shù)據，開發(fā)有關猜測模型更牢靠的衡量機制。

研討人員未來計劃在實驗室環(huán)境下測驗這21種資料，進一步確認它們是否是實際情況下的最佳選擇。

有關這項研討的意義和未來，論文的另一位作者，資料科學和工程專業(yè)的助理教授EvanReed表明：咱們的方法可以處理有關資料的許多問題，有助于新增這個范疇的研討出資用途。隨著實際國際中數(shù)據量的上升和計算機性能的提高，咱們的創(chuàng)新能力將以指數(shù)方式新增。無論是鋰離子電池、燃料動力電池仍是其他的各種電池，這個范疇的研討都具有重大的意義。