Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
تقدم هذه الورقة إطار عمل حوسبي قابل للتوسع يجمع بين الجهود الذرية المتعلمة آلياً، وأداة توليد البنية RAFFLE، وبديل الشبكة العصبية لنمذجة أكثر من 13,000 بنية كربون صلب واقعي، مما يربط بنجاح بين سماتها المجهرية وأداء تخزين الصوديوم، ويحدد مرشحات المصاعد ذات السعة العالية التي تتجاوز 800 مللي أمبير ساعة لكل جرام.
المؤلفون الأصليون:Harry Mclean, Aiden Daniel Emery, Theodore Thomas Walton, Ned Thaddeus Taylor, Steven Paul Hepplestone
يتجه العالم نحو الكهرباء المستمدة من الشمس والرياح، وهي مصادر نظيفة لكنها غير مستقرة. ولجعل هذه الطاقة موثوقة، نحتاج إلى بطاريات يمكنها تخزين كميات هائلة من الطاقة وإطلاقها عندما تغطي السحب الشمس أو تهدأ الرياح. وبينما تعتمد بطاريات الليثيوم-أيون حالياً على تشغيل هواتفنا وسياراتنا، فإن الليثيوم الذي تعتمد عليه أصبح مكلفاً ونادراً. ويبحث العلماء الآن عن بديل أكثر وفرة: الصوديوم، وهو العنصر الشائع الموجود في ملح الطعام. الصوديوم موجود في كل مكان ورخيص الثمن، لكنه أيون أكبر وأكثر ضخامة من الليثيوم، مما يجعل من الصعب تخزينه بكفاءة في المواد التي نستخدمها حالياً. ويعد "الكربون الصلب" (hard carbon) المرشح الأكثر واعدة لاحتواء الصوديوم، وهو مادة كربونية غير منظمة تشبه الإسفنج، يمكنها حبس أيونات الصوديوم في جيوبها الداخلية الصغيرة. ومع ذلك، فإن هذه المادة معقدة وغير منتظمة للغاية لدرجة أن العلماء واجهوا صعوبة في فهم كيفية تأثير بنيتها الداخلية بدقة على قدرتها على تخزين الطاقة، مما جعل تصميم بطاريات أفضل بمثابة لعبة تعتمد على التجربة والخطأ.
لقد اتبع فريق من الباحثين في جامعة إكستر نهجاً مختلفاً، حيث استخدموا حواسيب قوية لبناء آلاف النماذج الافتراضية من الكربون الصلب لمعرفة ما يجعلها تعمل بأفضل طريقة. وبدلاً من محاولة تخمين الهيكل المثالي، استخدموا نظام تعلم آلي لتوليد أكثر من ثلاثة عشر ألف نموذج فريد وواقعي من الكربون الصلب. لم تكن هذه النماذج مجرد رسومات بسيطة؛ بل كانت خرائط ذرية مفصلة تحتوي على آلاف ذرات الكربون المرتبة في أنماط غير منتظمة، مكتملة بالمسام والعيوب الصغيرة الموجودة في المواد الحقيقية. ثم استخدم الباحثون برنامجاً حاسوبياً متخصصاً، مدرباً على قوانين الفيزياء، لمحاكاة كيفية تحرك أيونات الصوديوم داخل هذه الهياكل الافتراضية. ومن خلال اختبار كل نموذج، تمكنوا من قياس كمية الصوديوم التي يمكن أن يحملها، وكيف يتغير الجهد الكهربائي أثناء شحن البطارية وتفريغها. وقد سمحت لهم هذه التجربة الرقمية الضخمة برؤية أنماط يستحيل رصدها في المختبر الفيزيائي، حيث قد يستغرق إنشاء واختبار مادة واحدة جديدة أسابيع.
كشفت عمليات المحاكاة عن علاقة واضحة بين شكل الكربون وأدائه. فقد وجد الباحثون أن أفضل أنواع الكربون الصلب لتخزين الصوديما ليس النوع الكثيف والصلب، بل نسخة أخف وزناً وأكثر مسامية. وتحديداً، أظهرت النماذج أن الهياكل التي تبلغ كثافتها حوالي 1.25 جرام لكل سنتيمتر مكعب، وتتراوح مساميتها بين 12 و15 بالمائة، هي الأفضل أداءً. وفي هذه الهياكل المثالية، لم تكن المسام الداخلية مجرد ثقوب فارغة، بل كانت أنفاقاً متصلة جيداً تسمح للصوديوم بالتدفق بحرية عبر المادة. فعندما كان الكربون كثيفاً جداً، لم يتمكن الصوديوم من الدخول، فكانت سعة التخزين منخفضة. وعندما كان الكربون خفيفاً جداً أو كانت المسام معزولة، تضررت السعة أيضاً. أما النموذج الافتراضي الأكثر نجاحاً، والذي أطلق عليه الباحثون اسم "الهيكل E"، فقد تمكن من تخزين الصوديوم بمعدل 857 مللي أمبير ساعة لكل جرام، وهو رقم يتجاوز كلاً من السجلات التجريبية الحالية وسعة بطاريات الليثيوم-غرافيت القياسية.
ولفهم هذا العدد الهائل من النماذج دون قضاء سنوات في الحسابات، قام الفريق بتدريب ذكاء اصطناعي خفيف الوزن للتنبؤ بسعة التخزين لأي هيكل معين بمجرد النظر إلى شكله. عمل هذا الذكاء الاصطناعي كمرشح سريع، حيث قام بمسح المكتبة الكاملة المكونة من ثلاثة عشر ألف نموذج في ثوانٍ لتحديد المرشحين الأكثر واعدة. وقد حدد الذكاء الاصطناعي بشكل صحيح أن السعة العالية مرتبطة بالكثافة المنخفضة والمسامية العالية، ونجح في توجيه الباحثين نحو الهياكل الأعلى أداءً. وعندما أجرى الباحثون عمليات محاكاة تفصيلية ومستهلكة للوقت على هؤلاء المرشحين الأوائل للتأكد من تنبؤات الذكاء الاصطناعي، جاءت النتائج مطابقة. وأظهر التحليل التفصيلي أنه في أفضل الهياكل، ملأت أيونات الصوديوم شبكة واسعة ومتصلة من المسام، وانتشرت بشكل متساوٍ بدلاً من أن تظل عالقة في نقاط معزولة. وقد أكد ذلك أن هندسة الفراغات الداخلية لا تقل أهمية عن التركيب الكيميائي للكربون نفسه.
تشير الدراسة إلى أن الطريق نحو بطاريات صوديوم أفضل يكمن في هندسة البنية المجهرية للكربون، وضمان امتلاكه القدر المناسب من المساحات الفارغة وأن تكون هذه المساحات متصلة بطريقة تسمت لها الأيونات بالتحرك بحرية. لقد حدد الباحثون "نقطة مثالية" لهذه الخصائص، مما يوفر هدفاً واضحاً للكيميائيين والمهندسين الذين يصنعون هذه المواد. ومن خلال الانتقال من التخمين إلى الفهم القائم على البيانات لكيفية تحديد البنية الذرية للأداء، يوفر هذا العمل خارطة طريق لتصميم مصاعد (anodes) عالية السعة. كما يمكن تطبيق النهج المستخدم هنا، والذي يجمع بين توليد الهياكل الواقعية والتعلم الآلي، على مواد أخرى، مما قد يسرع من اكتشاف حلول جديدة لتخزين الطاقة، وهي حلول ضرورية لمستقبل طاقة متجددة ومستقرة.
ملخص تقني: توليد البنية الذرية والفرز عبر الشبكات العصبية للكربونات الصلبة
بيان المشكلة تُعد الكربونات الصلبة (Hard carbons) مصاعد مستقرة لبطاريات الليثيوم-أيون ومرشحة رائدة لبطاريات الصوديوم-أيون (SIBs). ومع ذلك، فإن أداءها الكهروكيميائي محكوم بشبكة معقدة وغير متجانسة من النطاقات الغرافيتية، والعيوب، والمسام النانوية. وتعتبر طرق المحاكاة الذرية التقليدية، مثل نظرية الدالة الوظيفية للكثافة (DFT)، مكلفة حاسوبياً لنمذجة هذه الأنظمة بالمقاييس الطولية المطلقة (آلاف الذرات) والمقاييس الزمنية المطلوبة. وبينما نجحت محاكاة الديناميكا الجزيئية (MD) في سد بعض الفجوات، إلا أنها غالباً ما تعتمد على تمثيلات هيكلية مبسطة تقلل بشكل منهجي من الاضطراب الطوبولوجي، والمسامية الميكروية، وعدم التجانس الهيكلي. ونتيجة لذلك، يظل تحسين مصاعد الكربونات الصلبة تجريبياً إلى حد كبير، حيث تخلق كيمياء السلائف، ودرجة حرارة التحلل الحراري، ومعدلات التسخين فضاءً تكوينياً شاسعاً ومترابطاً يصعب عزله أو فهمه على المستوى الذري.
المنهجية يقترح المؤلفون سير عمل حاسوبي قابل للتوسع يتكون من ثلاث مراحل لربط البنية المجهرية للكربون الصلب بأداء تخزين الصوديوم:
توليد بنية واسعة النطاق:
يستخدم البحث إطار عمل RAFFLE لتوليد البنى، وهو أداة تعلم نشط تجمع بين الخوارزميات الجينية والبيئات الذرية المتعلمة لتوجيه وضع الذرات.
تُستخدم إمكانات التفاعل بين الذرات المعتمدة على التعلم الآلي الشامل (MLIPs) لتقييم الطاقات بدقة تقارب دقة الـ DFT ولكن بتكلفة تماثل تكلفة الديناميكا الجزيئية (MD). وبشكل محدد، تم استخدام نموذج Δ-learned CHGNet لإجراء فرز أولي عالي الإنتاجية، متبوعاً بإعادة التقيية والاسترخاء باستخدام جهد MACE-MPA-0 (مع تصحيح D3).
قام سير العمل هذا بتوليد 13,096 نموذجاً واقعياً للكربون الصلب تحتوي على ما بين 702 و4,378 ذرة (المتوسط 2,002). وقد استهدفت البنى الهياكل التي تتوافق مع النطاقات المتاحة تجريبياً، حيث غطت الهياص المولدة كسور sp3 من 0.085 إلى 0.662 وكثافات من 1.246 إلى 3.307 جم سم−3.
شملت المضيفات الأولية صفائح غرافين مفردة ورقائق متعددة الطبقات، مع استخدام قوالب غير متفاعلة (كرات/أسطوانات) لإدخال مسام اصطناعية بكفاءة.
التداخل الصريح والتحقق:
خضعت مجموعة فرعية من الهياكل التمثيلية (الهياكل A–E) لحسابات تداخل صوديوم صريحة للتحقق من صحة سير العمل.
أعادت هذه الحسابات إنتاج ملفات الجهد المميزة (من المنحدر إلى الهضبة) وسمحت بتحليل توزيع الصوديوم، واتصال المسام، وبيئات الترابط المحلية (عبر دوال التوزيع ثنائية الجسم).
الفرز عبر البديل العصبي (Neural Network Surrogate):
لفرز المكتبة الكاملة المكونة من 13,096 هيكلاً دون إجراء حسابات تداخل صريحة مكلفة لكل منها، تم تدريب بديل عصبي (NN) خفيف الوزن.
الميزات المدخلة: يستخدم النموذج واصفات مجمدة من نموذج MACE-small (مجمعة لكل ذرة) مدعومة بخمسة واصفات فراغ هندسية (نقاط الفراغ، العناقيد، الحجم الكلي، السعة الاستدلالية، وحجم الخلية).
بيانات التدريب: تم تدريب الشبكة العصبية على مجموعة بيانات مكونة من 64 هيكلاً حيث تم تقدير السعة باستخدام بروتوكول ملء الفراغ الاستدلالي.
البنية: عبارة عن مدرك متعدد الطبقات متبقي (residual multilayer perceptron) مدمج يحتوي على ثلاثة رؤوس مخرجات تتنبأ بمتوسط السعة، ولوغاريتم التباين، والانحراف المعياري.
الأداء: حقق النموذج متوسط خطأ مطلق (MAE) قدره 21.3 مللي أمبير ساعة جرام−1 ومعامل تحديد R2 قدره 0.946 تحت التحقق المتقاطع (k-fold cross-validation) الطبقي.
النتائج الرئيسية
العلاقات بين البنية والخواص: تغطي المكتبة المولدة نطاقاً واسعاً من الخصائص. ويكشف التحليل أن السعة تعتمد بقوة على الكثافة والمسامية.
عتبة الكثافة: الهياكل ذات الكثافة التي تزيد عن 2.25 جم سم−3 تظهر سعات منخفضة جداً (الـ 5% الأدنى). وعلى العكس من ذلك، الهياكل ذات الك densities الأقل من 1.5 جم سم−3 تقع ضمن أفضل 33% من السعات.
"المنطقة المثالية" (Sweet Zone): توجد أعلى السعات في الهياكل ذات كثافة تقارب 1.25 جم سم−3، وكسور sp3 تتراوح بين 0.15–0.18، ومسامية تتراوح بين 12–15%.
نطاق السعة: أسفرت الحسابات الصريحة للمجموعة التمثيلية (A–E) عن سعات تتراوح بين 88 مللي أمبير ساعة جرام−1 (كثيفة، منخفضة المسامية) و 857 مللي أمبير ساعة جرام−1 (منخفضة الكثافة، عالية المسامية). وقد تجاوز الهيكل E، الذي تم تحديده كأعلى مرشح للسعة بواسطة البديل، المراجع التجريبية للكربون الصلب (~580 مللي أمبير ساعة جرام−1) والتوقعات النظرية.
دور مورفولوجيا المسام: السعة ليست مجرد دالة لحجم الفراغ الكلي، بل تحكمها بشكل حاسم اتصالية المسام وطوبولوجيتها.
تفوق الهيكل C (توزيع المسام الصغيرة) على الهيكل B (مسام واحدة كبيرة) رغم تشابه الكثافة والمسامية، مما يثبت أن هندسة المسام هي التي تملي السعة.
تعزى السعة العالية للهيكل E إلى مساميته العالية (21%) وكسر sp3 المنخفض (0.11)، مما يسهل وجود شبكة مسام واسعة ومتصلة.
آلية تخزين الصوديوم: يؤكد تحليل الكثافة المستوي أن الصوديوم يتراكم بشكل تفضيلي في المناطق منخفضة الكثافة (المسام). في الهياكل الكثيفة، يكون الصوديوم محصوراً في مواقع متفرقة ومعزولة، بينما في الهياكل المسامية، يملأ شبكة متصلة. ويظل المتداخل (intercalant) مشتتاً بدلاً من تشكيل عناقيد معدنية ضخمة، حتى عند أقصى تحميل.
الأهمية والادعاءات يزعم البحث توفير إطار عمل قابل للتوسع يربط البنية المجهرية للكربون الصلب بأداء تخزين الصوديوم، مما يقدم مبادئ تصميم ذرية لمصاعد عالية السعة.
التقدم المنهجي: المساهمة الرئيسية هي الدمج الناجح لـ MLIPs العالمية مع إطار عمل RAFFLE لتوليد آلاف نماذج الكربون الصلب واسعة النطوال والواقعية، مما يتغلب على القيود الحجمية لـ DFT.
الكفاءة: يتيح البديل العصبي فرز أكثر من 13,000 هيكل في ثوانٍ، وهي مهمة قد تتطلب شهوراً من حسابات التداخل الصريحة.
مبادئ التصميم: تحدد الدراسة أن تحسين أداء الكربون الصلب يتطلب تجاوز مقاييس الكثافة أو كسر sp3 البسيطة. بدلاً من ذلك، فإن هندسة المسام، والاتصالية، والاستطالة هي الواصفات المهيمنة. ويفترض المؤلفون وجود "منطقة مثالية" لمجموعات محددة من الكثافة، وكسر sp3، والمسامية.
الأثر الأوسع: يوفر سير العمل مساراً نحو التصميم القائم على المعلومات الذرية، وهو قابل للتطبيق في استكشاف البنى المجهرية المعتمدة على التصنيع، بما في ذلك كيمياء السلائف، وظروف التحلل الحراري، وتطعيم الذرات غير المتجانسة، وهندسة المسام.
يحافظ المؤلفون على موقف متزن، مع الإقرار بأن النموذج البديل يظهر انحرافات كمية لهياكل معينة (مثل المبالغة في تقدير الهيكل E) بسبب حجم مجموعة التدريب المحدود والطبيعة الاستدلالية لتقدير السعة الأولي. ومع ذلك، يؤكدون أن النموذج ينجح في التقاط الاتجاهات النوعية ويوفر أداة قوية لتصنيف مكتبات الكربون غير المنتظم.