新兴的可充电电池的发展往往受到有限的化学认识的阻碍，这些化学认识是在巨大的空间中纠缠在一起的。
电子科技大学Hong-Jie Peng等 提出了一个可解释的混合机器学习框架，以解开棘手的降解化学转换型电池。
本文要点：
（1） 该框架不是一个黑匣子，它不仅展示了准确预测锂硫电池的能力(寿命结束预测的测试平均绝对误差为8.9%)，而且还产生了有用的物理理解，为未来的电池设计和优化提供了指导。
（2） 该框架还可以发现一个未知的性能指标，即锂硫电池首次放电时的电解液比与高压区容量之比，符合实际优点。目前的数据驱动方法由于其模块和输入的多功能性和灵活性，很容易适用于其他储能系统。
参考文献:
Liu, X., Peng, H., Li, B., Chen, X., Li, Z., Huang, J. and Zhang, Q. (2022), Untangling Degradation Chemistries of Lithium–Sulfur Batteries Through Interpretable Hybrid Machine Learning. Angew. Chem. Int. Ed.. Accepted Author Manuscript.
DOI: 10.1002/anie.202214037
https://doi.org/10.1002/anie.202214037
