Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A researcher comparing solid-state electrolytes no longer has to treat every paper as an isolated island. DigBat, a web-based platform developed by the Advanced Institute for Materials Research (WPI-AIMR) at Tohoku University, brings 3,816 experimental electrolytes and 27,645 conductivity data entries into one searchable research environment, alongside 852 computational materials as of June 2026.
Un chercheur qui compare des électrolytes solides n’a plus besoin de traiter chaque publication comme une île isolée. DigBat, une plateforme accessible en ligne développée par l’Institut de recherche avancée sur les matériaux (WPI-AIMR) de l’Université du Tohoku, réunit 3 816 électrolytes expérimentaux et 27 645 données de conductivité dans un même environnement de recherche interrogeable, ainsi que 852 matériaux étudiés par calcul, en juin 2026.
The problem it tackles sits beneath the promise of safer solid-state batteries. These designs replace flammable organic liquid electrolytes with solid materials that must conduct ions well, remain stable and have suitable mechanical properties. Yet published results are scattered and formatted inconsistently, making comparisons—and the direct use of literature data for machine learning—awkward. DigBat expands an earlier Dynamic Database of Solid-State Electrolytes to cover inorganic, solid polymer and gel polymer electrolytes.
Le problème auquel elle s’attaque se situe au cœur de la promesse des batteries plus sûres à l’état solide. Ces modèles remplacent les électrolytes liquides organiques inflammables par des matériaux solides qui doivent bien conduire les ions, rester stables et présenter des propriétés mécaniques adaptées. Pourtant, les résultats publiés sont dispersés et présentés dans des formats incohérents, ce qui complique les comparaisons — ainsi que l’utilisation directe des données de la littérature pour l’apprentissage automatique. DigBat élargit une précédente base de données dynamique des électrolytes solides afin de couvrir les électrolytes inorganiques, polymères solides et polymères gélifiés.
The platform’s useful detail is in the connections. A common material identifier ties experimental records to atomistic simulations, so conductivity measurements can be examined alongside structural information. Researchers can compare conductivity at different temperatures and study energy barriers for ion movement across material types and publication years. The team says it manually extracted and cross-checked experimental conductivity data, removed duplicates and standardized reported values.
L’intérêt de la plateforme réside dans les liens qu’elle établit. Un identifiant commun de matériau relie les données expérimentales aux simulations atomistiques, de sorte que les mesures de conductivité peuvent être examinées avec les informations structurelles. Les chercheurs peuvent comparer la conductivité à différentes températures et étudier les barrières énergétiques liées au déplacement des ions selon les types de matériaux et les années de publication. L’équipe indique avoir extrait et vérifié manuellement les données expérimentales de conductivité, supprimé les doublons et standardisé les valeurs publiées.
DigBat also turns the collection into a modeling workspace. In a case study on hydride solid-state electrolytes, the researchers used symbolic regression—machine learning that produces interpretable equations—to predict activation energy. Hao Li, a distinguished professor and principal investigator at WPI-AIMR, said the point is not only accurate prediction but understanding which material properties sit behind it.
DigBat transforme également cette collection en espace de modélisation. Dans une étude de cas consacrée aux électrolytes solides hydrurés, les chercheurs ont utilisé une régression symbolique — une méthode d’apprentissage automatique qui produit des équations interprétables — pour prédire l’énergie d’activation. Hao Li, professeur émérite et chercheur principal au WPI-AIMR, a expliqué que l’objectif n’était pas seulement d’obtenir une prédiction précise, mais aussi de comprendre quelles propriétés des matériaux l’expliquent.
For researchers, the platform offers a way to compare reported materials, connect measurements to simulations and inspect model-based leads. It does not, on the evidence reported by the team, deliver a finished battery or guarantee a promising material will work outside its published conditions. DigBat is a growing research platform, not a commercial battery deployment.
Pour les chercheurs, la plateforme permet de comparer les matériaux publiés, de relier les mesures aux simulations et d’examiner les pistes issues des modèles. D’après les éléments rapportés par l’équipe, elle ne fournit pas une batterie aboutie et ne garantit pas qu’un matériau prometteur fonctionnera en dehors des conditions décrites dans les publications. DigBat est une plateforme de recherche en développement, pas un déploiement commercial de batteries.