AI挖掘3000论文建锂电池数据库
韩国科学技术院（KAIST）的研究团队近日推出了一款名为LLMB的AI智能体，通过自动化挖掘超过3600篇科学论文，成功构建了迄今最全面的锂金属电池（LMB）数据库。该工作发表于《ACS Central Science》，旨在加速电池研发的“开发-验证”周期。LLMB整合了大语言模型（LLM）与专门的图表挖掘工具，能够从文献中大规模提取材料组成、操作条件及循环性能等关键数据，并利用机器学习模型预测电池容量，揭示了溶剂极性等微观特性与电池性能之间的隐藏关联。
多模态数据提取：LLMB如何从3606篇文献中构建8074个电池单元数据库
LLMB采用模块化架构，利用专门的大语言模型执行细胞命名、分类及数值提取等任务，覆盖29个实体类别。其核心工具Material Graph Digitizer（MatGD）基于YOLOv8架构识别并移除文本、图例等非数据元素，再通过DBSCAN算法根据RGB颜色矢量分离数据曲线。后处理模型自动完成SMILES转换和单位标准化，确保数据库的实用性。最终从3606篇论文中提取出8074个电池单元，包含详细的组件规格和循环数据。在文本挖掘中，细胞名称提取的F1分数达到96.4%，数据合并的F1分数高达99.3%。
机器学习预测与关键发现：镍含量大于0.8与更高容量正相关
基于合成数据库，研究团队开发了随机森林（RF）和梯度提升回归（GBR）模型，用于根据材料组成和操作条件预测电池性能。对于NCM正极，RF模型的R²分数达到0.75。SHAP分析识别出正极组成、操作条件和电解液描述符是关键影响因素。分析结果再次证实了已知材料趋势：Ni、Mn、Co的化学计量比是最重要的因素，其中镍含量高于0.8与更高容量正相关，而锰呈现负相关。此外，更高的充放电倍率（C-rate）和正极负载与较低初始容量相关。分子特性如EState VSA6和Kappa3被证明显著影响容量。
低极性溶剂实验验证性能提升：DEE和DPE实现更稳定循环
为验证框架有效性，研究团队设计了新型溶剂系统。分析表明低极性溶剂能够提升电池性能。他们比较了三种非氟化醚类溶剂：二乙醚（DEE）、二丙醚（DPE）和二乙二醇二甲醚（DEGDME）。结果显示，DEE和DPE的极性更低，与Li+的结合能更弱。在Li||NCM811电池中，使用DEE和DPE电解液的电池在1C和5C倍率下实现了更高的初始容量和更稳定的循环，而DEGDME则出现快速容量衰减。研究团队指出，更标准化的文献报道以及自驱动实验室的集成将进一步提升类似LLMB框架的预测能力。
