Building a Better Battery with Machine Learning
Austin Sendek, Stanford University
Discovering promising new materials is central to our ability to design better batteries, but research over the last several decades has been driven by inefficient guess-and-check searches that have resulted in slow progress. Focusing on solid-state electrolyte materials, Austin Sendek built a data-driven model for predicting material performance by applying machine learning to a small set of 40 experimental data points on crystal structure and ionic conductivity from the literature. He used the resulting model to guide an experimental search for high ionic conductivity electrolyte materials and found that incorporating machine learning into the search leads to several times more discoveries than a comparable guess-and-check effort.
Published: 16 Mar 2018
Featured Product
MATLAB
Seleccione un país/idioma
Seleccione un país/idioma para obtener contenido traducido, si está disponible, y ver eventos y ofertas de productos y servicios locales. Según su ubicación geográfica, recomendamos que seleccione: .
También puede seleccionar uno de estos países/idiomas:
Cómo obtener el mejor rendimiento
Seleccione China (en idioma chino o inglés) para obtener el mejor rendimiento. Los sitios web de otros países no están optimizados para ser accedidos desde su ubicación geográfica.
América
- América Latina (Español)
- Canada (English)
- United States (English)
Europa
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asia-Pacífico
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)