包含origin图绘制，南网XRD、XPS等数据处理及图形绘制

以硅、储能储能产业锡等为代表的合金型负极材料相比于传统石墨负极（372mAhg-1）具有更可观的理论容量，储能储能产业但这类材料在充放电过程中会产生严重的体积效应，从而导致其较差的倍率和循环性能。进一步，公司通过非原位SEM证明了LM纳米颗粒微观形貌可逆转变，公司在非原位TEM表征中发现了在完全锂化后形成了独特的镓壳/铟核的结构，这是由于在锂化过程中，镓元素具有更高的合金化反应活性，从而使得锂化过程产生定向原子迁移，而在去合金化后又可以可逆回复到初始态（图4）。

开发高比能，投资长循环寿命的锂离子电池是进一步推动能源存储利用快速发展的必要条件。基于上述结果，电池结合三元相图分析了LM在合金化、电池去合金化过程中的可逆相变过程，并对其液-固-液可逆转变路径给出了分析，揭示了其在反应过程中的固液共存态。首先通过原位XRD表征，企业解析了LM在充放电过程中的物象变化，发现了其在锂化过程中Ga/In的相分离现象，并在脱锂后可逆回复到初始的液相无定形态。

共晶镓铟合金（EGaIn-LM）作为一类典型的室温液态合金，布局具有高理论比容量（769mAhg-1 vsGa,1011mAhg-1 vsIn）和优异的导电性（3.4x106 Scm-1）。该工作为解决合金基负极材料的关键提供了新的策略，新型并为理解液态金属自修复性质提出了新的观点。

图2 LM-Ti3C2Tx复合负极材料的表征分析成果要点2：上游优异的综合电化学性能得益于内外协同的设计，上游LM-Ti3C2Tx复合负极材料实现了良好的倍率性能及出色的循环寿命，在5 Ag-1电流密度下具有489mAhg-1的可逆容量。

南网【文章信息】HanningZhang,PengyuChen,HuanXia,GangXu,YapingWang,TengfeiZhang*,WenwenSun, MuhammadaliTurgunov,WeiZhang*,ZhengMingSun*, AnIntegratedSelf-healingAnodeAssembledviaDynamicEncapsulationofLiquidMetalwith3DTi3C2Tx NetworkforEnhancedLithiumStorage,EnergyEnvironmentalScience,2022,Accepted.https://doi.org/10.1039/D2EE02147A。然后，储能储能产业使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。

首先，公司根据SuperCon数据库中信息，对超过12,000种已知超导体和候选材料的超导转变温度（Tc）进行建模。参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：投资认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，投资对症下方，方能功成。

需要注意的是，电池机器学习的范围非常庞大，有些算法很难明确归类到某一类。作者进一步扩展了其框架，企业以提取硫空位的扩散参数，企业并分析了与由Mo掺杂剂和硫空位组成的不同配置的缺陷配合物之间切换相关的转换概率，从而深入了解点缺陷动力学和反应（图3-13）。