图1 数字化设计特定形貌前驱体的研究范式
图 1 展示了结合机器学习进行特定前驱体材料设计的从头设计范式。它首先包含热力学等理论计算；在计算基础上进行了一些实验来提供最基本的合成规律。在实验规律的基础上，将前驱体的形态转化为数字图像，用于计算机辅助材料设计。随后，结合理论边界条件和实验数据的数字图像，建立机器学习模型，定制前驱体。设计出的前驱体在模型的指导下进行优化和合成，并进一步制备成锂离子电池正极材料，以检验其电化学性能。
离子浓度随 pH 值的变化可以通过线性方程计算出来。不同反应条件下镍、钴和锰离子浓度随 pH 值变化的计算结果见图 2（a-f），流体的行为会影响前驱体的成核和生长。图 2（g-i）显示了基于实验条件的计算流体动力学（CFD）模拟结果。
图2 热/动力学模拟计算得到的反应边界条件结果，其中（a-f）为共沉淀反应的热力学计算，（g-i）为共沉淀反应的结晶器计算流体动力学模拟
对不同反应条件下的前驱体形态进行了研究，扫描电镜图像如 图 3 (a-c) 所示。实验中观察到的前体生长模式可归纳为三个主要阶段：一次颗粒聚集成小团聚颗粒，小团聚颗粒聚集成前驱体和进一步球化。在这一模式中，pH 值、铵浓度和搅拌速率的影响规律得到了深入理解，前驱体形态数据和生长模式将为构建前驱体数字图像提供有力支持。
图3 通过少量实验在不同实验条件下获取的前驱体形貌
前体的数字图像如图 4（a-f）所示。每个前驱体数字模型都包含三个不同大小的一次颗粒系列，以便能很好地拟合前驱体的形态。采用salt噪声、高斯噪声、模糊、翻转、亮暗对比和对称操作等常用的数据增强方法进一步扩展数据。之后，图像从最初的 11 幅扩展到 1188 幅。数据增强过程如图 4（g-h）所示。
图4 基于实验结果进行数字化设计和数据增强
为了避免 "重复试错"，我们建立了一个机器学习模型来设计合成前驱体形貌。在机器学习模型中，理论计算结果定义了模型的边界条件。实验参数、数字图像和粒度分布被用作模型的训练数据库。颗粒设计流程如图 5（a）所示，PMD-LSTM 算法如图 5（b）所示。
图5 （a）用于前驱体设计的机器学习计算流程。(b)基于 PMD-LSTM 算法的机器学习模型。(c)3μm 前驱体的机器学习辅助设计。
我们进一步采用实验方法研究了上述预测的的小尺寸前驱体材料（3 μm，NCMOH-Small）及其电化学性能（NCM-Small），结果如图6。研究发现通过图像-机器耦合学习模型实现了前驱体的定制设计，小粒径的镍、钴、锰三元氧化物前驱体具有制备具有良好电化学性能的 NCM 正极材料的潜力。
图6
基于机器学习辅助设计的3μm前驱体烧结的正极材料形貌及其电化学性能
