标签: 机器学习

镍含量高的锂电池正极材料能量密度高、成本低，但容易衰减。本研究用机器学习筛选出铝离子和锡离子作为掺杂剂，成功构建了一种‘由外向内’的稳定结构：表面富锡、内部均匀掺铝。这种结构显著提升了电池寿命（200次循环后容量保持96.9%）并几乎消除了电压下降问题。

标签: 掺杂设计 机器学习 电压衰减 结构稳定性 高镍正极

钙钛矿太阳能电池商业化受困于依赖人工经验的试错式研发，效率低下。本研究构建了首个全自动闭环系统：用机器学习快速筛选高效分子，再通过自动化产线实时优化制造工艺。成功发现新型钝化分子5ANI，小面积电池效率达27.22%，大面积组件达23.49%，运行1200小时后仍保持98.7%初始效率，且重复性是人工制备的近5倍。

标签: 机器学习 自动化制造 钙钛矿太阳能电池 钝化分子 闭环优化

科学家首次利用人工智能大规模发现细菌中大量未知的抗病毒蛋白，揭示其免疫系统远比过去认知的更庞大、更多样。这些新发现有望催生新一代基因编辑等生物技术工具。

标签: 噬菌体防御 基因组挖掘 抗病毒蛋白 机器学习 细菌免疫系统

本文开发了一种新方法：用基质辅助激光解吸电离质谱成像（MALDI-MSI）结合机器学习，无需破坏画作，就能一层层看清油画中颜料、胶结材料（如蛋清、动物胶）、清漆甚至金箔的化学成分。它能帮鉴定真伪、还原画家技法、指导文物修复，让‘看不见’的绘画历史变得一目了然。

标签: 文化遗产保护 无损检测 机器学习 绘画材料分析 质谱成像

本研究利用机器学习分析美国2020年3月至2021年12月的死亡证明数据，发现官方漏报约15.6万例新冠死亡（比报告数多19%）。漏报在教育程度低、西班牙裔/原住民/亚裔/非裔人群、低收入及基础健康差的南部县区尤为严重，揭示了美国死亡调查系统存在系统性不公。

标签: 健康不平等 新冠死亡漏报 机器学习 死亡证明 结构性不公

研究人员开发了一种机器学习新方法，能快速、准确模拟材料中离子像液体一样流动时产生的拉曼光谱信号。这种低频拉曼特征可作为判断‘超离子导体’（即离子高速传导）的直观标志，大幅降低计算成本，助力新型固态电池材料的高效筛选。

标签: 固态电池 拉曼光谱 机器学习 离子传导 超离子导体

本文提出一种基于机器学习的全球气溶胶-气象预报系统（AI-GAMFS），可在1分钟内完成未来5天、每3小时一次的气溶胶光学特性与地表浓度预报，精度优于现有国际主流模型，尤其在沙尘暴和野火污染预警方面表现突出。

标签: AI气象系统 机器学习 气溶胶预报 沙尘暴预警 空气质量预测

研究提出生成扩散模型StormCast，可模拟美国国家海洋和大气管理局3公里分辨率的对流允许模型，能以1小时时间步长预测99个状态变量，1-6小时雷达反射率预报技能与物理过程一致性良好，为公里尺度区域机器学习天气预报和气候降尺度提供可能。

标签: 公里尺度天气预报 对流允许模型 机器学习 生成扩散模型 雷达反射率

锂离子电池广泛用于电动汽车、医疗设备等，但传统寿命测试需数月甚至数年循环充放电。张等人在《自然》发表的机器学习方法，一周内即可准确预测电池寿命，新设计也适用。

标签: 快速预测方法 机器学习 电池寿命预测 锂离子电池

为加速电池技术创新，本文提出“发现学习”新方法。该方法整合多种机器学习技术，通过历史数据学习，以最少实验预测新电池寿命，可减少98%时间和95%能源成本，突破传统评估瓶颈。

标签: 发现学习 机器学习 电池寿命预测 零样本学习