综述：人工智能与机器学习在光电子学和能源存储领域的应用：从材料设计到器件应用

《Sustainable Materials and Technologies》：Artificial intelligence and machine learning in optoelectronics and energy storage: From materials design to device applications

人工智能与机器学习在光电子与储能器件材料设计中的应用，涵盖数据驱动方法、多学科整合技术及自主实验等前沿方向，分析数据稀缺、模型泛化等挑战，并提出可持续与工业化未来路径。

　　

张云生|穆罕默德·萨迪克|穆罕默德·莫阿扎姆·弗拉兹|埃曼·阿里·阿尔达赫里|阿卜杜勒瓦哈布·阿里·阿尔马兹罗伊|玛丽亚姆·伊克巴尔|阿西夫·海亚特|于庚|艾哈迈德·S·阿尔加姆迪|安珀·诺琳|艾曼·法蒂玛|梁俊伟|哈米德·阿里

深圳信息技术大学国际事务学院，中国深圳518172

摘要

人工智能和机器学习通过加速光电子和能源存储应用材料的发现、设计和优化，正在重塑材料科学。光电子和能源存储设备（包括光伏、发光二极管、电池和超级电容器）受到对性能、多功能性和可持续性日益增长的需求的显著影响。传统的试错方法往往无法应对这些挑战，因此数据驱动的方法对于推动创新至关重要。本文介绍了人工智能和机器学习在材料科学中的基本原理，包括核心算法、数据采集和预处理、特征工程以及可解释的建模策略。文章讨论了人工智能驱动的光电子设备（如光伏、发光设备和光电探测器）的最新进展，以及能源存储系统（包括电池、超级电容器和混合设备）的发展。重点讨论了电极和电解质的数据驱动发现，以及对充放电行为和退化机制的预测建模。此外，还强调了集成和跨领域应用，包括耦合的光电-能源存储系统、多功能设备设计、逆向材料发现以及人工智能增强的多物理场模拟，特别关注新兴的混合架构。本文还批判性地分析了关键挑战，如数据稀缺性和偏见、跨材料系统的泛化能力有限、可解释性与准确性之间的权衡，以及计算预测与实验验证之间的差距。提出了实用策略来应对这些限制并提高模型可靠性。最后，概述了未来展望，重点关注自主实验、量子计算增强的人工智能、可持续方法以及产业化应用。本文提供了一个将材料设计与设备应用联系起来的连贯框架，为下一代智能材料和能源技术的发展提供了见解。

引言

近年来，由于工业化和城市化的加剧，以及对可持续和可靠电力供应需求的增加，全球能源问题变得更加严重。化石燃料的环境影响以及应对气候变化的迫切需求推动了向可持续能源系统和先进能源存储解决方案的研究[1]。光伏和发光二极管（LED）是能量收集和转换的关键组成部分，而电池和超级电容器则用于高效存储和利用能量。尽管过去几十年取得了显著进展，但这些技术在性能、可持续性、可扩展性和经济性方面仍面临关键限制[2]。传统的试错方法在材料发现和设备优化方面常常缺乏应对当代能源挑战所需的紧迫性和性能。人工智能（AI）和机器学习（ML）已成为推动先进材料和设备发现与开发的重要工具。AI/ML能够从大型复杂数据集中有效提取模式，揭示传统分析经常忽略的隐藏关系和趋势。这些工具可以预测材料属性，筛选广泛的化学和结构空间，并促进实验设计，大大减少了试错实验所需的时间和资源[4]。AI/ML促进了材料科学向系统化、数据驱动的方法论的转变，使假设能够在实验室验证之前进行计算机模拟。这加速了创新，并有助于发现新的材料类别和设备结构，否则这些可能仍然未被探索。AI/ML可以提高性能，增加稳定性，并在光电子和能源存储技术中实现多功能结构，凸显了它们在应对当代能源和可持续性挑战中的重要作用[5]。

尽管在材料和设备研究的AI和ML方面取得了显著进展，但过去五年或更长时间内进行的大多数研究仍然主要局限于特定领域。研究主要集中在光电子设备（如光伏和LED）或能源存储技术（如电池和超级电容器）上。对于结合能量收集和存储的集成多功能设备的研究相对较少[6]。有限的跨学科整合限制了AI/ML在相互关联设备中的预测和先进特性的充分利用，而这些设备对于自供电传感器、可穿戴电子设备和光充电电池来说变得越来越重要。此外，还存在许多方法论和基础设施方面的挑战。许多数据集规模小、碎片化或存在偏见，这阻碍了通用模型的发展。缺乏评估算法性能的标准化标准，使得跨研究比较变得复杂。复杂的模型（包括深度神经网络（DNN）和生成结构）通常可解释性有限，这降低了它们指导实验设计的能力[7]。计算预测与实验验证之间存在持续差距。尽管AI和ML可以识别出有前景的材料候选者或设备设计，但将这些预测转化为可重复的实验结果仍然是一个挑战。这些限制阻碍了AI驱动方法在实际设备开发中的应用，强调了需要集成、标准化和可解释的AI/ML系统以加速多功能能源技术的进步[8]。

本文通过提供一个全面的框架，探讨了AI/ML对光电子和能源存储系统的影响，从而弥补了现有研究的不足。与以往通常专注于特定设备类别或孤立算法的综述不同，本文强调了包括逆向设计、生成模型、迁移学习和计算与实验方法整合在内的综合策略。本文还强调了新兴主题，如多功能设备架构、自主实验室和绿色AI方法，这些在现有文献中尚未得到充分研究。本文旨在整合各个领域的进展，对现有挑战进行批判性评估，并展望AI和ML在推动下一代能源技术发现和实施中的作用。本文的主要特点在图1中给出。

部分摘录

材料科学中的ML和AI基础

人工智能和机器学习的引入彻底改变了材料科学的研究方式，研究人员利用这些技术来识别、开发和改进材料。历史上，材料开发依赖于基于直觉的实验和试错合成，这通常耗时且资源密集[9]。相比之下，ML和AI提供了数据驱动的方法，可以揭示复杂结构、预测材料属性并加速发现过程。

光电子设备中的ML和AI

ML和AI在光电子研究中的整合促进了下一代技术的重大进展、改进和探索。传统的实验方法虽然必不可少，但常常受到时间、成本以及材料与设备之间相互作用复杂性的限制[37]。AI和ML的数据驱动方法能够有效应对这些挑战，有效预测效率指标并揭示传统方法难以发现的相关性。

能源存储设备中的ML和AI

向可再生能源的快速转型需要高性能、可靠且成本效益高的能源存储设备。电池和超级电容器是管理能源供需、促进电动出行和提高可再生能源电网稳定性的关键组成部分[67]。存储材料的设计和改进面临着结构、化学、电化学活性和退化过程之间复杂关系的挑战[68]。ML

集成和跨领域应用

能源和电子技术的进步推动了光能收集、能量转换和存储设备的融合。下一代可再生设备的设计旨在成功捕获和存储能量，同时将多种功能集成到一个统一的结构中[99]。实现这种集成需要深入理解复杂的物理过程，即电子、光学、热学和电化学过程，而这些过程通常是传统方法难以处理的。

挑战与限制

尽管取得了显著进展，但各种挑战仍然阻碍了AI和ML在材料和设备研究中的全面应用。

未来展望

AI、ML以及新的实验和计算方法的整合为材料和设备研究带来了重大进展。

结论

本文全面而连贯地探讨了人工智能（AI）和机器学习（ML）在光电子和能源存储领域的变革性影响，弥合了从基础材料设计到设备级应用的差距。通过阐述ML的基础知识，包括核心算法、数据采集、特征工程和可解释建模，可以看出AI驱动预测的可靠性在很大程度上取决于

作者贡献

本手稿由所有作者共同撰写。所有作者均已批准最终版本。

手稿准备过程中生成式AI和AI辅助技术的声明

在准备本工作时，我们使用了ChatGPT来帮助语言润色、句子结构优化以及提高手稿的整体可读性。使用该工具后，我们仔细审查、修改并验证了内容，以确保准确性和原创性，并对最终发表的手稿负全责。

CRediT作者贡献声明

张云生：撰写——初稿、可视化、数据整理、概念化。穆罕默德·萨迪克：撰写——审稿与编辑、监督、资金获取、正式分析、数据整理。穆罕默德·莫阿扎姆·弗拉兹：软件、资源。埃曼·阿里·阿尔达赫里：方法论、研究。阿卜杜勒瓦哈布·阿里·阿尔马兹罗伊：方法论、研究。玛丽亚姆·伊克巴尔：方法论、研究。阿西夫·海亚特：软件、资源。于庚：方法论、研究。艾哈迈德·S·阿尔加姆迪：项目管理

利益冲突声明

作者声明没有已知的财务或个人利益冲突会影响本文的研究工作。

致谢

本工作得到了科学技术博士研究启动项目（项目编号：SZIIT2023KJ016）和广东省基础与应用基础研究基金会（项目编号：2023A1515110070）的支持。