研究显示,普通锂离子电池之所以发生爆炸的重要原因之一,就是由于传统锂电池的电解液为有机液体,在不太高的温度下就能发生副反应,产生气体,膨胀后引起爆炸。针对这一情况,来自美国斯坦福大学的研究人员使用人工智能和机器学习的办法,找到了约21种固体的电解质材料,有希望彻底解决这一问题。
日前该团队将他们的研究成果发表在《能源与环境科学》杂志上。文章显示,科学家们并没有使用传统的随机测试个别化合物的方法来寻找新的固体电解质材料,而是使用了人工智能和机器学习,通过实验数据构造预测模型。他们训练了一种计算机算法,基于现有的数据,去学习如何辨认化合物的好坏。这个过程和人脸识别算法,在观察几个范例后,去辨认人脸的过程很类似。
论文的第一作者、研究的带头人、应用物理学博士研究生Austin Sendek表示:“现有的含有锂元素的化合物数量是数以万计的,绝大多数是未经测试的。其中的一些可能是性能优异的导体。我们开发了一个计算模型,对于我们现有的有限数据进行学习,从大规模的数据库中,筛选出合适的材料。这种筛选方法的速度是现有筛选方法的百万倍。”
为了设计这个模型,Austin Sendek花费了差不多两年时间,搜集了关于含有锂元素的固体化合物的几乎所有科学数据,然后通过这些数据对待选固体化合物的稳定性、成本、丰富度、锂离子的导电性等诸多理化属性进行了评测,最终筛选出了21种最合适的固体电解质材料。
Austin Sendek表示:“我们筛选了超过12,000种含有锂元素的化合物,最终找到了21种作为固体电极的理想材料。筛选只需要花费几分钟。我绝大多数的时间,实际上是用于搜集和管理所有的数据,开发对于预测模型更可靠的度量机制。”
研究人员未来计划在实验室环境下测试这21种材料,进一步确认它们是否是现实情况下的最佳选择。
对于这项研究的意义和未来,论文的另一位作者,材料科学和工程专业的助理教授Evan Reed 表示:“我们的方案能够处理关于材料的许多问题,有助于增加这个领域的研究投资效果。随着现实世界中数据量的增长和计算机性能的提高,我们的创新能力将以指数方式增加。无论是锂电池、燃料电池还是其他的各种电池,这个领域的研究都具有重大的意义。”
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。