Modeling phase transformations in Mn-rich disordered rocksalt cathodes with machine learning interatomic potentials

本研究利用机器学习原子间势函数揭示了富锰无序岩盐结构正极通过过渡金属迁移而非 Mn$^{2+}$ 的形成，发生向类尖晶石结构的相变，从而实现了锂传输动力学的提升和容量的提高。

要点

想象一下，电池就像一座繁忙的城市，微小的锂离子是其中的通勤者，而电池的正极则是一座庞大且拥挤的公寓大楼。多年来，科学家们一直试图为这些通勤者建造更好的建筑。一种极具前景的设计被称为“无序岩盐结构”（Disordered Rocksalt, DRX）建筑。它就像一个混乱的公寓综合体，居民（锰、钛和其他原子）被随机投放到其中，没有任何关于谁该住在哪里特定的规则。

问题在于，在这座混乱的建筑中，锂通勤者有时会卡住，导致电池变得缓慢且动力不足。然而，最近的实验显示，在电池使用几次（充放电）后，这座混乱的建筑会自发地重新排列成一种更有序的、“类尖晶石”（spinel-like）结构。这种新结构允许锂移动得更快，从而提升了电池的性能。

核心问题是：这个混乱的建筑是如何神奇地完成自我清理的，其内部究竟发生了什么？

正是在这里，由 Peichen Zhong 和 Gerland Ceder 领导的研究团队介入了。他们无法在现实生活中观察这一过程，因为这发生得太快，且规模微小到人类肉眼无法察觉。相反，他们利用一种被称为“机器学习原子间势函数”（Machine Learning Interatomic Potential, MLIP）的人工智能技术，为这座建筑构建了一个超智能数字孪生体。

以下是他们发现的简单拆解：

1. “智能建筑师”（AI 模型）

传统的计算机模拟就像是试图通过手工计算建筑中每一块砖头的重量——这太慢了，也无法看到全局。研究人员使用了一个预训练的 AI（称为 CHGNet），它已经学习了许多材料的基本物理定律。然后，他们针对这种富锰电池材料对这个 AI 进行了“微调”。

你可以把这个 AI 想象成一位超级建筑师，他可以精确预测每个原子的运动和反应方式，但他完成这项工作的速度比传统方法快数百万倍。这使得他们能够运行一个持续“纳秒”（十亿分之一秒）的模拟——在原子世界里，这简直相当于永恒。

2. 大规模重组（相变）

他们以混乱的无序建筑作为模拟起点。随着他们观察原子运动的“电影”：

• 迁移： 锰原子（在我们公寓类比中的“沉重家具”）开始四处挪动。它们从随机的位置移动到了特定的、有组织的行中。
• 触发因素： 一个普遍的理论是，这些原子移动是因为它们改变了电荷（就像人改变了情绪）。然而，AI 模拟揭示了一个转折：原子在完全改变电荷之前就已经开始移动了。
• 结果： 锰原子将自己组织成了一种特定的模式（“类尖晶石”或 $\delta$ 相）。一旦这种模式建立，原子就会稳定在一个新的、能量更低的稳态。这就像一个乱糟糟的房间突然因为家具找到了更舒适的摆放位置，而瞬间变成了一个井然有序的布局。

3. “高速公路”效应（为什么更好）

他们最重要的发现是关于建筑内部的“道路”。

• 在混乱的建筑中，锂通勤者必须在狭窄、被阻塞的路径中穿行。
• 在新的、有序的建筑中，锰原子向两侧退让，创造出了宽阔、开放的高速公路（称为“0-TM 通道”），那里只有锂和空隙。
• 类比： 想象一个拥挤的走廊，人们挡住了去路。如果人们向两侧移动并排成整齐的队伍，就会为紧急救援人员（锂离子）开辟出一条清晰的路径，让他们疾驰而过。这就是为什么电池变得更快且能储存更多能量的原因。

4. 电荷之谜

研究人员还观察了锰原子的“情绪”（化合价态）。他们发现，虽然一些锰原子确实改变了电荷（变为 $\text{Mn}^{2+}$），但这发生在结构已经开始组织化之后。

• 旧理论： 原子先改变了情绪，从而迫使它们移动。
• 新发现： 原子先通过移动来组织建筑，随后它们的“情绪”才随之改变以匹配新的秩序。是组织化导致了电荷变化，而不是相反。

5. 电池性能

最后，他们模拟了电池的电学行为。

• 旧的混乱建筑： 当你尝试充电时，电压（推动锂的“压力”）会剧烈波动，就像颠簸的旅程。
• 新的有序建筑： 电压变得平滑且稳定，就像在高速公路上巡航。
• 容量： 新结构可以比原始混乱结构容纳更多的锂，并且可以在不会产生通常会导致电池损耗的结构应力的情况下实现这一点。

总结

简而言之，这篇论文利用超快速的 AI 观察了一种混乱的电池材料如何自我重组为一个高效、有序的结构。他们发现，原子会先通过移动来创造更好的布局，而电学变化随后发生。这种新布局为锂创造了“高速公路”，使电池更快、更强且更稳定。这有点像观察一群混乱的人群自发地排成有序的队列，为所有人创造出一条快速移动的清晰路径。

技术摘要

技术摘要：利用机器学习原子间势函数模拟锰富集无序岩盐结构正极材料的相变

问题陈述
锰富集无序岩盐（DRX）结构正极材料（如 Li$_x$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$）在电化学循环过程中，表现出一种有益的原位相变，即从无序结构向部分无序类尖晶石相（称为 $\delta$ 相）转变。这种转变与容量提升和倍率性能增强密切相关。然而，驱动这一转变的原子尺度机制——特别是过渡金属（TM）迁移、电荷态演化与阳离子有序化之间的耦合动力学——难以进行建模。传统的从头算（ab initio）方法在处理所需的长时间和长空间尺度时计算成本过高；而传统的团簇展开（CE）模型则缺乏捕捉复杂电荷耦合动力学过程及多样化局部环境下迁移能垒的表达能力。

研究方法
作者采用了一种以经过微调的基于 CHGNet 架构的机器学习原子间势函数（MLIP）为核心的多阶段计算工作流。

1. 数据集构建： 对 Li–Mn–Ti–O–F 化学空间进行了全面的采样，采用了 r2SCAN-DFT 计算。采样内容包括：
   • 来自 Materials Project 和先前 DRX-CE 数据集的现有稳定化合物。
   • 通过蒙特卡洛（MC）模拟和位点交换协议生成的具有不同程度类尖晶石有序度的定制部分无序结构。
   • 对特定迁移路径（八面体-四面体-八面体，即 o-t-o，以及直接 o-o 路径）在不同脱锂水平下的采样，以捕捉高能垒事件。
2. 模型训练： 首先基于弛豫轨迹对“Trial-CHGNet”进行了初步微调。随后，利用采样得到的迁移路径和分子动力学（MD）轨迹的静态 DFT 计算对“Sample-CHGNet”进行参数化，以增强对热激发构型的采样。最后，使用包含 88,852 个结构的训练集对“Product-CHGNet”进行微调，实现了约 2 meV/atom（能量）和 ~68 meV/Å（力）的测试误差。
3. 模拟： 在 1273 K 下对脱锂后的 Li$_{0.6}$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$ 系统进行了电荷感知分子动力学（MD）模拟。该 MLIP 利用预测的磁矩作为原子电荷的代理，以动态推断价态（Mn$^{2+}$、Mn$^{3+}$、Mn$^{4+}$）。
4. 电化学分析： 通过构建锂空位构型的凸包（convex hulls）并分析插层反应，计算了转化后的 $\delta$ 相、原始 DRX 相以及完全有序尖晶石相的电压曲线。

主要结果

• 相变机制： MD 模拟成功捕捉到了从无序岩盐向类尖晶石 $\delta$ 相的转变。该转变在热力学上是自发的，表现为阴离子能量降低了约 60 meV/anion。
• 迁移与有序化序列： 研究揭示了一个特定的事件序列：
  • Mn 迁移主要始于 Mn$^{3+}$ 通过四面体位点移动，这一过程发生在建立长程类尖晶石有序结构之前。
  • 四面体位点 Mn$^{2+}$ 的出现是类尖晶石有序化的结果，而非阳离子迁移的触发因素。
  • 转化后的结构表现出更高浓度的非过渡金属（0-TM）面共享通道（由仅由 Li 或空位组成的四面体位点），这些通道对于 Li 的渗透至关重要。
• 电化学特征：
  • 与有序尖晶石 Li$_x$MnO$_2$ 不同（后者在脱锂至 $x \approx 0.6$ 以下时会表现出带有超过 1 V 陡峭电压阶跃的两相反应），$\delta$ 相在低电压下保持固溶体行为并呈现伪平台。
  • 与 DRX 相和完全有序尖晶石相相比，$\delta$ 相通过 0-TM 到四面体-Li 的转化反应展现出更高的 Li 容量。
  • DRX 相由于缺乏 0-TM 通道且电压斜率较陡，在 3 V 附近表现出受限的容量。

意义与主张
本文声称提供了关于锰富集 DRX 正极材料固态相变的原子级见解及其与实验电化学的直接联系。作者强调，其工作展示了 MLIP（特别是电荷感知的 CHGNet）在模拟电荷动力学与结构演化紧密耦合的复杂氧化物材料方面的潜力。通过解决电荷不成比例现象与离子跳跃之间的时间尺度差异，本研究挑战了此前认为 Mn$^{2+}$ 形成会触发迁移的观点，转而提出 Mn$^{2+}$ 的形成是跟随在类尖晶石有序化建立之后。该工作从机制上解释了部分阳离子无序如何消除有害的两相反应，同时增强 Li 的传输动力学和容量，验证了 MLIP 在研究复杂能源材料中的实用价值。