电容倾向概念以及监督机器学习对电池和赝电容器材料的电化学行为进行分类

【研究背景】超级电容器和电池电极材料近几十年来发展迅速。然而，法拉第反应涉及的电化学行为的标准仍然存在相当大的争议。各种电极材料产生的电化学信号及其不同的物理和化学性质往往使问题变得非常复杂。困难在于，其中的科学元素往往相当于数学猜想，这意味着很多时候它只是一个假设的主题。电化学信号的变化意味着所得曲线的变化，而所得曲线的变化必然意味着方程的变化。显然，电化学信息、曲线和方程之间必定存在联系。其中一个的改变必然意味着另外两个的改变。这种变化必须添加数学变量来量化和衡量，因此，很难通过简单的二元分类来确定这些材料属于哪一组，因为电池和超级电容器信号之间也可能存在重叠。

为了解决这个问题，来自法兰西大学学院（IUF）和泰国VISTEC研究院开发了一种将监督机器学习应用于电化学信号的统计分析，从而开发出一种称为电容倾向的新标准。研究者们收集了超过8000张电化学信号的曲线图作为数据库，使用监督机器学习训练模型来进行图片预测和分类。该模型应用于电化学信号的形状分析，预测得到的置信百分比结果反映了曲线的形状趋势，该结果被定义为“电容倾向（capacitivetendency）”。结果表明，以循环伏安曲线为例，当曲线形状越趋近矩形（rectangularshape）时，电容倾向结果越趋近100%，材料性质越趋近超级电容器（或赝电容）。当曲线形状越趋近峰形（peakshape）时，电容倾向结果越趋近0%，材料性质越趋近电池。【研究内容】为了探究电化学信号的形状分类，研究者在图1a中呈现了不同电极材料的循环伏安（CV）和恒电流充放电（GCD）试验结果，以及和相应理论结果的对比。接着，在图1b和图1c中，研究者展示了CV和GCD经历的不同的电化学过程。这些结果说明了电化学信号的分类不是简单的“非黑即白”，在实际实验中得到的信号结果往往非常复杂，甚至存在信号重叠或多元性质。因此，电化学信号的分类应该是“连续过渡”的，并需要一个参数来定量描述这种连续过渡的变化。图1.循环伏安和恒电流充放电曲线的分类。

为了建立并训练模型，研究者使用了人工神经网络来训练模型。图2a是整个训练过程的概述。首先，研究者从不同的论文中提取信号图像作为数据集，然后使用ResNet50架构来进行训练和分类，并最终得到“电容倾向”。图2b和图2c是数据的训练集和测试集的代表。研究者研究的论文数量超过4000篇，总共提取的信号图像超过8000个。图2.人工神经网络训练模型概述。在训练模型的过程中，研究者首先将提取得到的图像进行人工分类。CV和GCD图像会被留下，而其他图像，例如晶体结构，则不会被用于下一步的训练。在CV和GCD分类的训练过程中，CV和GCD图像首先被标记为属于两个类别之一，即电池或赝电容器，遵循非模糊信号形状的标准，将总数据的80%分为四类：（1）盒形CV、（2）峰形CV、（3）三角形GCD和（4）平台GCD，另外20%用作测试数据，如图3a所示。图3a得到的结果在图3b的过程中进一步细化。输出结果被分为三种类型的训练集：100%电池、50%电池/赝电容和100%赝电容。整个数据库有三个来源，第一个来源是从科学论文中提取的包含5,500多个CV和2,900个GCD的大型数据集。第二个来源是使用电化学方程生成的CV和GCD的理论曲线。第三个来源是来自合著者的CV和GCD实验结果。这种关于数据的交叉验证，可以生成更多不同的数据集以优化分类性能。图3.图像分类、模型训练和结果预测。

研究者给出了CV和GCD的理论曲线研究结果，探索了在理论上曲线形状变化和电容倾向变化的关系，并给出了颜色条作为变化参考，紫色是电池材料，蓝色是电容材料。图4a展示了CV曲线的形状从峰状越向矩形变化，电容行为就越明显（颜色从紫到蓝）。图4b则是关于GCD曲线形状的变化研究。M是一个允许操纵恒电流曲线的数学因子，M越小，曲线越趋近平台状，材料性质越像电池（紫色）。M越大，曲线越趋近直线，材料性质越像赝电容（蓝色）。然而，在M值介于7.0和9.4之间时，模型对于定义信号类型犹豫不决，这表明当GCD信号的曲率介于直线和平台之间时，会出现一定的模糊性。该结果进一步证明了电化学信号无法进行通过简单的二元分类，而是应该呈现一种过渡变化。图4.CV和GCD曲线的理论计算和电容倾向。

研究者使用该模型，对一些文献中提到的著名的赝电容和电池材料，如MnO2和NMC等，进行了预测和比较。图5a显示了四种著名的赝电容和电池材料的预测结果。结果表明，信号形状相对清晰的材料，电容倾向结果是极大或极小的。例如MnO2，形状矩形，电容倾向值95.8%，电容材料。NMC，形状峰形，电容倾向值9.4%，电池材料。而对于信号形状模糊的材料（Ag1-3xLax□2xNbO3和H2TiNbO18），其电容倾向结果也是中间值（64%和52%），证明其不是单纯的电池或电容材料。图5b是其他一些材料的CV和GCD图，以及预测结果。该结果证明了当研究赝电容材料时，示例性矩形和峰形形状通常不存在，很多复杂信号很难正确分析出材料性质。这一结果也强调了使用机器学习或人工智能作为决定性工具的必要性，以解释复杂的超出人类辨别能力的电化学信号。图5.预测各种电极材料的电容行为。

研究者使用该模型分析了超过3300篇论文，这些论文的题目包含关键词“电池”或“赝电容器”。简而言之，随机选择文章，提取相关的CV和GCD信号进行预测，并将得到的预测结果与题目中的关键词进行比较。图6a和6b显示了这一过程。图6c是预测比较的结果，大约67%具有“赝电容”作为关键词的论文与其实验观察结果一致。然而出乎意料的是，将近50%带有“电池”关键词的文章显示出相互矛盾的信号。这一结果表明基于人类分析的解释可以通过机器学习等计算技术的取代而大大受益，并展示了二元分类方法在该领域的局限性。因为分析二元分类会导致很多错误的分类。研究者使用电容倾向进行连续过渡分类，可以实现测量和预测的统一。图6.论文定义和预测结果的比较。

【结论】本研究通过充分利用先进的计算技术，成功地解决了有关CV和GCD电化学信号解释的难题，以便将材料的行为分类为类电池或赝电容器。具体来说，作者证明了监督机器学习是区分这些通常很复杂的信号的强大而准确的方法。该研究还强调了科学论文标题经常与自己的数据结果相矛盾的问题，特别是当涉及到标题中带有“电池”的文章时。这证明了机器学习在解释电化学信号图像方面优于人工分析。机器学习能够快速准确地将图像的形状信息转换为预测值，而基于人类的分析速度要慢得多且更加主观。这是因为机器学习算法能够从大型图像数据集中学习并提取人眼不可见的模式。因此，机器学习是一种更可靠、更客观的电化学信号图像分析方法。另外，作者开发了一个在线工具，该工具基于本研究