Coulombic efficiency and cycle life require further improvement in an ever-growing practical demand for lithium-ion batteries (LIBs), which are one of the most prevalent electrochemical energy storage systems. In this work, a more stable and highly lithium-ion (Li-ion) conductive artificial solid electrolyte interface (A-SEI) is constructed by coating polythiophene (PTh) on the surface of a graphite anode based on molecular dynamic simulations. Our findings reveal that PTh chains effectively prevent direct contact between the electrolyte and the negative electrode while providing a rapid transport channel for lithium ions (Li-ions), resulting in significantly shorter trapping times for Li-ions-at least two orders of magnitude shorter than those in the predominant component of traditional SEI layers.

In current research on the synthesis of colloidal nanostructures, the size and morphology of nanoparticles still exhibit certain dispersion and variation from batch to batch. Characterization of size distribution and morphology distribution of nanoparticles often requires techniques such as scanning electron microscopy or transmission electron microscopy, which involve high vacuum environments, are time-consuming, and costly. Experienced researchers can roughly estimate the size and distribution of nanostructure from spectra for a given synthetic route, but the accuracy is often limited. This paper reports the potential of using neural networks to accurately predict the composition of colloidal nanostructures from spectra. We address several fundamental issues in neural network prediction of colloidal composition. We first demonstrate the prediction of the composition of

With the widespread application of ML in studying PSP relationships within the realm of AM, the accuracy of data becomes paramount for the performance of ML models on small datasets. In this study, the DBSCAN algorithm was utilized to identify and eliminate noise points from the porosity dataset of IN718 as-built parts, which were fabricated by QCW laser DMD. The primary objective was to enhance the dataset's quality and consequently improve the predictive performance of the model. The elimination of noise points resulted in a notable improvement in both the fitting degree and predictive accuracy of the ML model. This improvement was clearly reflected in the substantial increase in R2 values, which rose from 0.367 to 0.915 for the training set and from 0.546 to 0.959 for the test set. Furthermore, SVR was employed to generate process parameter maps, revealing the intricate effects of various process parameters, including laser peak power, scanning speed, powder feeding rate, and pulse frequency, on the porosity of the components. Experimental validation was conducted using optimized combinations of these process parameters, further corroborating the enhanced accuracy of the ML model trained on the improved quality dataset.