我读了1000篇文献，建了一个碳基超电容的数据库

我最近发表了一篇小文章，通过神经网络来对碳基超级电容器进行分析。

为了收集数据，我手工分析了1000篇左右的论文，并提取出了其中关于碳材料超电容的相关数据，并建立了一个数据库。

文章名字是：“Artificial neural network enabled capacitance prediction for carbon-based supercapacitors”

网址是：https://authors.elsevier.com/c/1XiSm_,OOhoEHk

或https://doi.org/10.1016/j.matlet.2018.09.028

数据库是Supplementary data的第一个文件。

超级电容器作为典型的能量存储应用具有许多优点，例如高功率密度和长周期寿命。

超级电容器的关键部件是电极，由于其优异的物理和化学性质，最广泛使用的电极材料是碳。为了提高超级电容器的性能，研究人员迫切希望增加碳电极的电容。为了实现这一目的，采用的手段包括通过增加比表面积，控制孔结构和引入表面官能团等。

然而，目前还没有公认的理论可以系统地解释如何增加电容。对电容器电极的改进工作仅依赖于几个经验公式或粗略的理论模型。结果，文献中的电容数据非常分散从10到800F/g不等。因此，迫切需要获得用于预测碳基超级电容器的评估系统。

为了解决这个问题，一种可行的方法是大数据。传统上，通常收集实验数据，然后进行外推预测。但是，这种方法似乎不支持使用多因素控制进行性能预测的大量数据。在各种数据科学技术中，人工神经网络（ANN）是分析复杂和非线性行为的有效估计技术[3]。 ANN的优势在于它可以发现系统的输入和输出之间的关系，而无需详细了解所涉及的机制。考虑到碳基超级电容器中的复杂变量，这是一个理想的ANN问题。

从哪里获得数据呢？这是另一个问题。

目前，在人工神经网络辅助材料设计领域，数据来自几个大型项目，如材料基因组计划和开放量子材料数据库。在这些数据库中，可以获得包括电学，光学，机械性质的材料的性质。然而，在碳基超级电容器中，确定主要材料，即碳。真正影响性能的因素转向材料的微观结构和表面官能团。更重要的是，实际应用的测试细节也有其影响。遗憾的是，没有数据库可用于描述上述数据。在这方面，我们认为一种合理的方法是直接从现有文件中提取数据。例如，Ghadbeigi等。提供了锂离子电池电极材料的性能指标，其数据摘自~200篇文献。 Raccuglia等。应用类似的人体数据检索技术，编制~4000个反应条件，用于训练机器学习合成钒亚硒酸盐晶体。因此，从已有文献中获取数据并应用ANN来分析碳基超级电容器，这是一个有趣的课题。

为了建立这个数据库，我们收集了1000多篇关于碳基超级电容器的论文，并从中精选出300篇研究比较系统的论文。然后，提取了681组数据，包括碳材料的物理和化学特征（即比表面积SSA，孔体积，微孔体积，ID/IG比，掺杂元素）和测试系统（即电解质，测试电压）窗口，以及相应的具体容量）。

数据库的一小部分

根据现有的科学认识进行特征选择。在本研究中，选择五个变量作为ANN方法的特征，即SSA，计算孔径，ID/IG比，N-掺杂水平和电压窗口（图1）。

五个变量与碳材料比容量的关系

随后，我用Tensorflow构建了一个小小的神经网络（5×5×2）。通过使用真实数据进行训练，ANN实现了可接受的预测结果，至少比线性回归和Lasso更准确。

这项工作展示了机器学习在材料设计和应用中可以为研究人员提供一定助力。