近日，来自橡树岭国家实验室的一项最新研究成果揭示了一种新的机器学习策略在设计超级电容器材料方面的成功应用。研究人员发现了一种高性能的活性炭材料，比现有的超级电容器效能提高了近一倍，预示着储能技术的重大突破。
据悉，这个研究团队运用人工智能和大数据技术，针对大量过去的研究成果进行深入挖掘，并通过对实验参数的学习和调整，最终设计出了拥有更高储能能力和更优电化学性能的新一代活性炭材料。
机器学习引导合成用于超级电容器的超孔碳
a.超级电容器、电池和传统电子电容器的Ragone图。版权所有2020年美国化学学会。b.ANN模型预测的N/O共掺杂碳电极在1MH2SO4电解质中的数据结构和电容边界。c.由ANN模型预测的目标超多孔碳合成的实验设计。
超级电容器是一种具备极高储能效率的能量存储设备，由于其大功率输出和长寿命等特点，在电动车、不间断电源和便携式电子产品等领域有着广泛的应用前景。然而，开发具有更佳物理化学和电化学特性的炭质材料一直是困扰科研人员的问题。传统的研发流程不仅耗时而且效率低下。
“借助机器学习技术，我们可以节省大量的时间，并更精确地找出理想的炭质材料特征。”研究团队成员之一张教授表示，“经过大量的数据训练，我们成功地找到了一种在硫酸电解液中具有610F/g比电容的新型活性炭材料。”
据了解，该新型活性炭材料拥有极高的表面积，其微孔和中孔结构经过精心设计，有利于大容量电荷存储。并且，它能够在宽范围的工作温度内稳定运行，同时具有较高的库仑效率。
在这项研究中，研究人员采用氨基钠和交联聚合物前体制成高度多孔的炭材料，再对其进行优化。结果显示，当其微孔和中孔表面积分别达到700和300m2/g时，电容最大值可以达到250F/g。为了进一步提高电容，研究人员在炭材料中引入了N/O位点和金属/金属氧化物颗粒，实现了赝电容效应，从而使得在6MKOH电解质中扫描速率为1mV/s时，N/O掺杂炭的最大电容达到了570F/g。
过去，科学家们一直尝试通过各种方法提高活性炭的比表面积以提高其性能。然而，受制于技术和工艺，大多数炭材料的比表面积难以超过2630m2/g，这对超级电容器的实际应用构成了重大阻碍。为了破解这一难题，研究团队选择了超交联聚合物作为炭前体，并利用熔融氨基钠作为活化剂，在较低温度下实现高效的碳化和活化过程。
研究过程中，他们选择不同的芳香族化合物作为起始原料，通过弗里德尔-克来福特反应将其转化为超交联聚合物，再经由熔融氨基钠活化，最终得到了一系列具有高度多孔性的N/O共掺杂炭材料。值得注意的是，这些炭材料的平均比表面积超过了4000m2/g，O含量达到了10wt%，N含量则控制在0.5wt%左右。
研究数据显示，这种新型活性炭材料在6MH2SO4电解液中的比电容高达610F/g，而在0.2A/g的电流密度下，其电容更是达到了惊人的628F/g，远超出其他同类产品。
工作电极的质量负载为0.7mg/cm2。a.C-Phl在1至 500mV/s不同扫描速率下的CV曲线。b.C-Phl和C-Phl-700在 50mV/s下的CV曲线。c.根据CV曲线计算出不同扫描速率下的比电容。d.C-Phl在0.2至 100A/g不同比电流下的GCD曲线。e.C-Phl在0.2A/g下的放电曲线。f.根据公式计算出不同特定电流下C-Phl的比电容。
张教授表示：“这是迄今为止我们所见到的最高效能的活性炭材料。”他补充说：“通过这种机器学习方式，我们可以在短短几个月的时间内，就完成了过去可能需要数年才能完成的研发任务。”
这一研究成果对未来环保能源产业的发展产生了深远的影响，极大地推动了超级电容器的技术进步。新能源汽车和其他环保设备的发展离不开高效的储能技术，而新型活性炭材料的成功研发无疑为此提供了重要的技术支持。
对此，业内人士纷纷给予高度评价，认为这一创新技术将引领新一代的储能革命。一位行业分析师指出：“如果能够将这一技术广泛应用到实际生产中，那么我们将有机会见证一次新能源领域的历史性变革。”
在未来，研究人员计划继续优化炭材料的孔隙结构和杂原子含量，进一步提高其电容性能。同时，他们还将尝试把这种机器学习方法推广到其他的能源材料研发中，以期发现更多的高效能新材料。
随着科技的进步和社会的发展，我们期待更多的技术创新带来新的突破，推动绿色能源产业走向更加光明的未来。
参考资料
Machine-learning-assistedmaterialdiscoveryofoxygen-richhighlyporouscarbonactivematerialsforaqueoussupercapacitors
TaoWang,RuntongPan,MurilloL.Martins,JinleiCui,ZhennanHuang,BishnuP.Thapaliya,Chi-LinhDo-Thanh,MusenZhou,JuntianFan,ZhenzhenYang,MiaofangChi,TakeshiKobayashi,JianzhongWu,EugeneMamontov&ShengDai
https://doi.org/10.1038/s41467-023-40282-1
14011002000166号