世界正朝着利用太阳能和风能发电的方向迈进，这些能源虽然清洁，却具有不可预测性。为了使这种能源变得可靠，我们需要能够储存大量电能并在云层遮蔽阳光或风力减弱时释放电能的电池。虽然锂离子电池目前为我们的手机和汽车提供动力，但它们所依赖的锂正变得越来越昂贵且稀缺。科学家们现在正在寻找一种更丰富的替代品：钠，即食盐中常见的常见元素。钠无处不在且价格低廉，但它是一种比锂更大、更笨重的离子，这使得将其高效储存在我们目前使用的材料中变得十分困难。最理想的钠储存候选材料是一种被称为“硬碳”的碳类型，这是一种无序的、类似海绵状的材料，可以将钠离子捕捉在它微小的内部口袋中。然而，这种材料如此复杂且不规则，以至于科学家们一直难以准确理解其内部结构如何影响其储能能力，导致更好的电池设计在很大程度上成了一种凭运气尝试的游戏。
埃克塞特大学的一个研究小组采取了一种不同的方法，利用强大的计算机构建了数千个虚拟的硬碳模型，以观察是什么让它们发挥最佳性能。他们没有试图去猜测完美的结构，而是使用机器学习系统生成了超过一万三千个独特的、真实的硬碳模型。这些模型并非简单的图画；它们是详细的原子图谱，包含以无序模式排列的数千个碳原子，并完整保留了真实材料中存在的微小孔隙和缺陷。研究人员随后使用了一个基于物理定律训练的专门计算机程序，来模拟钠离子如何进入这些虚拟结构。通过测试每个模型，他们可以精确测量每个模型能储存多少钠，以及电压在电池充电和放电过程中是如何变化的。这种大规模的数字实验使他们能够观察到在物理实验室中无法发现的规律，因为在实验室中，即使是制造并测试一种新的材料也可能需要数周时间。
模拟结果揭示了碳的形状与其性能之间的明确关系。研究人员发现，最适合储存钠的硬碳不是致密、坚实的类型，而是更轻、更具多孔性的版本。具体而言，模型显示密度在每立方厘米 1.25 克左右、孔隙率在 12% 到 15% 之间的结构表现最佳。在这些最优结构中，内部孔隙不仅仅是空洞，而是相互连通的通道，允许钠在材料中自由流动。当碳太致密时，钠无法进入内部，存储容量就会很低。当碳太轻或孔隙相互孤立时，容量也会受到影响。研究人员称之为“结构 E”的最成功的虚拟模型，能够以每克 857 毫安时的速率储存钠，这一数值超过了目前的实验记录以及标准锂-石墨电池的容量。
为了在不花费多年进行计算的情况下理解如此庞大的模型数量，该团队训练了一个轻量级的人工智能，通过观察给定结构的形状来预测其储能容量。这个人工智能充当了一个快速过滤器，在几秒钟内扫描了整个包含一万三千个模型的库，以识别出最有希望的候选对象。人工智能正确地识别出高容量与低密度和高孔隙率相关联，并成功地引导研究人员找到了表现最好的结构。当研究人员随后对这些顶级候选对象进行详细且耗时的模拟以确认人工智能的预测时，结果得到了证实。详细分析表明，在最好的结构中，钠离子填充了一个巨大的、连通的网络孔隙，均匀地分布开来，而不是卡在孤立的点上。这证实了内部空隙的几何形状与碳本身的化学成分同样重要。
这项研究表明，开发更好的钠电池之路在于工程化碳的微观架构，确保它具有适量的空隙，并且这些空间以一种允许离子自由移动的方式相互连通。研究人员确定了这些属性的一个特定“甜点区”（最佳平衡点），为制造这些材料的化学家和工程师提供了明确的目标。通过从猜测转向对原子结构如何决定性能的数据驱动型理解，这项工作为设计高容量负极提供了路线图。这里所采用的方法——结合了真实的结构生成与机器学习——也可以应用于其他材料，从而有望加速发现新的储能解决方案，这对于实现稳定的可再生能源未来至关重要。
技术摘要：硬碳的原子结构生成与神经网络筛选
问题陈述
硬碳是锂离子电池的成熟负极材料，也是钠离子电池（SIBs）领域领先的候选材料。然而，其电化学性能受控于由石墨化畴、缺陷和纳米孔组成的复杂且异质的网络。传统的原子尺度方法（如密度泛函理论，DFT）在模拟此类系统时，由于需要处理数千个原子的长度尺度和相应的时间尺度，计算成本极其高昂。虽然分子动力学（MD）模拟弥补了部分差距，但它们通常依赖于简化的结构表示，这会导致系统性地低估拓扑无序度、微孔率和结构异质性。因此，硬碳负极的优化在很大程度上仍处于经验阶段，前驱体化学、热解温度和加热速率构成了一个庞大且耦合的构型空间，难以通过原子尺度进行孤立研究或理解。
方法论
作者提出了一个可扩展的三阶段计算工作流，旨在将硬碳微观结构与钠存储性能联系起来：
大规模结构生成：
- 研究采用了 RAFFLE 结构生成框架，这是一种结合了遗传算法与学习到的原子环境来引导原子放置的活性学习工具。
- 利用**通用机器学习原子间势函数（MLIPs）**在接近 DFT 精度的同时，以 MD 级的计算成本评估能量。具体而言，首先使用 Δ-学习的 CHGNet 模型进行高通量初步筛选，随后使用带有 D3 校正的 MACE-MPA-0 势函数进行重新评估和弛豫。
- 该工作流生成了 13,096 个真实的硬碳模型，包含 702 至 4,378 个原子（平均 2,002 个）。生成的结构旨在匹配实验可及范围，其 sp3 组分范围为 0.085 至 0.662，密度范围为 1.246 至 3.307 g cm−3。
- 初始宿主包括单层石墨烯片和多层薄片，并使用非相互作用的模板（球体/圆柱体）来高效地引入人工孔隙。
显式插层与验证：
- 选取具有代表性的结构子集（结构 A–E）进行显式钠插层计算，以验证工作流。
- 这些计算重现了特征电压曲线（斜坡向平台过渡），并允许分析钠的分布、孔隙连通性和局部键合环境（通过二体分布函数）。
神经网络代理筛选：
- 为了在不进行昂贵的逐一显式插层计算的情况下筛选完整的 13,096 个结构库，研究训练了一个轻量级的神经网络（NN）代理模型。
- 输入特征： 该模型使用来自 MACE-small 模型的冻结描述符（按原子池化特征），并辅以五个几何空隙描述符（空隙点、簇、总容积、启发式容量和晶胞体积）。
- 训练数据： NN 在一个通过启发式空隙填充协议估计容量的 64 个结构数据集上进行了训练。
- 架构： 一个紧凑的残差多层感知器，具有三个输出头，分别预测容量均值、对数方差和标准差。
- 性能： 在分层 k 折交叉验证下，该模型实现了 21.3 mA h g−1 的平均绝对误差（MAE）和 0.946 的 R2。
关键结果
- 结构-性质关系： 生成的库涵盖了广泛的性质。分析表明，容量强烈依赖于密度和孔隙率。
- 密度阈值： 密度大于 2.25 g cm−3 的结构表现出极低的容量（底部的 5%）。相反，密度低于 1.5 g cm−1 的结构处于容量的前 33%。
- 最优“甜区”： 最高容量出现在密度约为 1.25 g cm−3、sp3 组分为 0.15–0.18 且孔隙率为 12–15% 的结构中。
- 容量范围： 代表性集合（A–E）的显式计算得出的容量范围为 88 mA h g−1（高密度、低孔隙率）至 857 mA h g−1（低密度、高孔隙率）。结构 E 作为代理模型识别出的最高容量候选者，超过了实验硬碳参考值（~580 mA h g−1）和理论预测值。
- 孔隙形态的作用： 容量不仅是总孔隙体积的函数，更受孔隙连通性和拓扑结构的关键控制。
- 尽管密度和孔隙率相似，结构 C（小孔分布）的表现优于结构 B（单个大孔），这证明了孔隙架构决定了容量。
- 结构 E 的高容量归功于其高孔隙率（21%）和低 sp3 组分（0.11），这促进了广泛且连通的孔隙网络。
- 钠存储机制： 平面密度分析证实，钠优先聚集在低密度区域（孔隙）。在致密结构中，钠被限制在稀疏、孤立的位点；而在多孔结构中，钠则填充进一个连通的网络。即使在最大负载下，插层物也保持分散状态，而非形成类金属的块体团簇。
意义与主张
本文声称提供了一个可扩展的框架，能够将硬碳微观结构与钠存储性能联系起来，为高容量负极提供原子设计原则。
- 方法论进步： 主要贡献在于成功将通用 MLIPs 与 RAFFLE 框架集成，生成了数以千计的真实大规模硬碳模型，克服了 DFT 的尺寸限制。
- 效率： 神经网络代理能够在数秒内完成对超过 13,000 个结构的筛选，而这在以往需要数月的显式插层计算。
- 设计原则： 研究指出，优化硬碳性能需要超越简单的密度或 sp3 组分指标。相反，孔隙几何形状、连通性和伸长率是主要的描述符。作者认为，在特定的密度、sp3 组分和孔隙率组合下存在一个“甜区”。
- 广泛影响： 该工作流提供了一条通往原子尺度知情设计的路径，适用于探索依赖于合成的微观结构，包括前驱体化学、热解条件、杂原子掺杂和孔隙工程。
作者保持了审慎的态度，承认由于训练集规模有限以及初始容量估计的启发式性质，代理模型在特定结构上存在定量偏差（例如高估了结构 E）。然而，他们断言该模型成功捕捉了定性趋势，并提供了一个用于对无序碳库进行排序的稳健工具。
每周获取最佳 materials science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。