lithium cation
PulseAugur coverage of lithium cation — every cluster mentioning lithium cation across labs, papers, and developer communities, ranked by signal.
-
AI模型量化锂离子正极裂纹以延长电池寿命
研究人员开发了一种数据高效的方法来量化锂离子电池正极中的裂纹，这是电池退化的关键因素。通过使用冻结的自监督视觉变换器编码器和轻量级可训练解码器以及迭代模型辅助标注，该框架可以分析大型高分辨率显微镜图像，而只需少量专家标注。这种方法可以对裂纹宽度、曲折度和面积分数进行群体规模的测量，为设计寿命更长的电池和评估老化提供关键数据。
-
深度学习框架加速固态电解质的发现
研究人员开发了一种新颖的层级协同深度学习框架，旨在加速固态电解质的发现。该框架通过四个互补模块整合了组成、结构和离子传输数据，每个模块在其特定任务上都优于现有方法。该系统应用于超过3000万个潜在候选物，识别出97种高性能电解质，包括94种卤化物、1种硼氢化物和2种氧化物，其离子电导率范围为0.109至59.0 mS/cm。研究还表明，Li$^{+}$跳跃网络连通性是室温离子电导率的关键决定因素。
-
硅谷初创公司瞄准电池供应链缺口
一家硅谷初创公司正致力于解决电池供应链中的空白，特别是涉及硅和锂阳离子等材料。该公司旨在通过发展国内生产能力来减少对中国和台湾等国家的依赖。这项举措可能会影响包括电动汽车和绿色氢能技术在内的各种应用的电池的可用性和成本。
-
Anaphite 的干法涂覆技术有望使电动汽车电池更便宜、更环保
英国电池技术公司 Anaphite 正在开发一种用于制造电动汽车电池电极的干法涂覆工艺。这项创新工艺旨在消除对含大量溶剂的浆料和大型烘箱的需求，而这些目前构成了电池制造成本和能耗的重要组成部分。该公司认为，其技术可以为某些类型的电芯降低超过 10% 的总体电池生产成本，并可能提高性能，尤其是在固态电芯出现之际。
-
AI 数据中心对超越容量的新型储能解决方案的需求
AI 数据中心日益增长的能源需求带来了独特的挑战，这不仅仅是总功耗的问题。AI 工作负载，特别是模型训练和推理，需要储能系统能够快速响应突发的、高强度的功率波动。这要求我们从传统的能源容量指标转移焦点，转向关注电池的功率与能量比，倾向于钠离子电池等技术，而非标准的锂离子电池，因为它们能更有效地提供瞬时功率，且降级更少。
-
新AI框架可根据早期充电周期预测液流电池健康状况
研究人员开发了一个名为FlowBD-E1的新框架，用于预测铁铬液流电池的完整充电电压/电流轨迹。该模型利用早期数据来预测电池在其整个生命周期内的性能，解决了对长时储能至关重要的退化问题。该框架结合了多尺度卷积编码器、生命周期Transformer和年龄感知FiLM解码器，在准确性和错误率方面优于LSTM和TCN等传统模型。
-
硅碳电池提升智能手机续航，但可能缩短手机寿命
硅碳电池正日益普及于Honor、Oppo、Xiaomi和Samsung等制造商的智能手机中，与传统的锂离子电池相比，可提供显著更长的电池续航时间。这些电池在阳极中使用了少量硅碳与石墨混合，其容量比纯石墨更大。虽然这项技术可以使手机一次充电续航长达两天，但人们担心它可能会缩短手机本身的整体使用寿命。
-
Donut Lab 的“奇迹”固态电池被揭露为锂离子电池
芬兰初创公司 Donut Lab 被指控虚假宣传其固态电池技术，第三方测试表明其使用的是标准的锂离子化学成分。该公司在筹集了 2500 万美元并获得 12.5 亿美元估值后，据称夸大了其电池的能量密度，并声称其技术已被量产汽车使用。据报道，电池专家和相关部门的调查正在进行中，并将其与 Theranos 丑闻进行比较。