钾离子电池（PIBs）因为钾盐价格低廉、资源丰富、能量密度高而被认为是可替代的下一代大规模商用电化学储能系统之一。然而，K+缓慢的扩散动力学、K+较大的半径（0.nm）以及PIBs电池负极材料在嵌钾前后经历较大的体积变化均不利于材料的循环稳定性并导致其结构退化阻碍负极电极的发展。由于电池材料研发是一个复杂的多变量问题，包括性能、寿命周期分析、安全性、成本、环境影响和资源问题等非常不同的特性。然而，目前的研究流程很大程度上依赖于前向试错方法，并且主要以材料为中心:合成材料、制造电解质和电极、组装电池，最后评估性能。即使只考虑这些方面，也有大于种合成活性物质和制备电解质的可能性，几乎有无限种选择电极制造参数的可能性和几十种可能的电池形式，这些远远超过了人类大脑所能处理的范围。这使得设计工具变得困难。因此为了提高将电池研究的效率及稳定性，目前已经开发了许多新的工具以满足这一要求。其中人工智能（Artifcialintelligence,AI）和机器学习（Machinelearning,ML）是一种很有前途的有望能够帮助人们克服处理大量变量和量化数据的方法。
在此，中国科学院大连化学物理研究所，能源材料研究部周光远研究员（）课题组首次提出基于人工智能ML辅助制备大规模、高性能独特分层多孔海绵体状N/S异质元素掺杂硬碳负极材料（NS-C-）。通过人工神经网络模型（ArtificialNeuralNetwork,ANN）训练得到最优权重文件（d,La,Lc,SSA,ID/IG），依据权重文件对待测数值ICE、Capacity进行准确预测并在Github国际开源网站开源模型结构（