头图

随着电动汽车和电子设备等行业的迅猛发展,高性能电池需求呈现出井喷式增长。作为下一代储能技术的核心,固态电池凭借更高的安全性、能量密度和循环稳定性,已成为全球科研竞争的焦点。固态电解质 (SSEs) 作为全固态电池 (ASSBs) 的关键组件,其性能参数直接决定着电池的输出效能与使用寿命,成为科研团队竞相攻克的技术堡垒。

传统 SSEs 的研发长期依赖繁琐的试错法。以日本的丰田汽车公司为例,这家坐拥 1,300 余项固态电池专利的行业巨头,曾雄心勃勃地计划在 2027 年实现全固态电池商业化,却因固态电解质的界面稳定性难题,不得不将量产时间表推迟至 2030 年后。无独有偶,美国能源部在「钠离子电池+固态电解质」技术路径上的巨额投入,也因氢化物材料复杂的离子迁移机制而陷入瓶颈。这充分暴露了传统研发模式的局限性——氢化物 SSEs 中二价阳离子的强静电相互作用,使得传统的实验表征技术难以捕捉其动态迁移行为,而试错法的低效性更是延缓了技术突破的进程。

在这一背景下,人工智能为固态电解质研发注入了变革性动力。大语言模型 (LLMs) 的兴起拓展了数据驱动方法的边界,为理论预测提供了更精准的工具。然而,SSE 材料体系的复杂性——尤其是氢化物中存在的多尺度离子迁移机制,仍对理论模型的精度构成挑战。当前研究普遍存在的方法论碎片化问题,也限制了对材料体系的系统性理解。

为破解这一僵局,日本东北大学、中国四川大学和日本芝浦工业大学组成的联合研究团队,提出了整合人工智能与多尺度模拟的创新框架。该团队通过将全面的 SSE 数据库与大型语言模型和 ab initio 元动力学 (MetaD) 模拟相结合,成功揭示了氢化物 SSEs 中独特的「两步」离子迁移机制。

相关研究成果以「Unraveling the Complexity of Divalent Hydride Electrolytes in Solid-State Batteries via a Data-Driven Framework with Large Language Model」为题,已发表于国际顶级期刊 Angewandte Chemie-International Edition 。

论文地址:

https://go.hyper.ai/isQRi

数据驱动和 AI 加速的工作流程,高性能固态电解质的加速引擎

在二价固态电解质 (SSE) 研究领域,实验与计算虽不断深入,但受限于材料表征技术与模拟方法,中性分子的多样性和离子迁移的迟缓使研究复杂化。为此,研究团队开发了创新的大数据驱动工作流程,借助大型语言模型 (LLM),深入理解 SSE 并分析阳离子迁移,旨在为高性能固态电池 (SSBs) 设计快速离子导电的 SSE 。

如下图 a 所示,该流程以大数据分析为起点,运用团队开发的固态电解质动态数据库 (DDSE),涵盖 2,556 种实验性 SSE 材料、 18,635 组离子电导率测量数据及 657 种计算性 SSE 材料,从而捕捉并建立关键特征。

数据驱动的 AI 辅助固态电解质发现

基于此数据库,研究人员获得以下两项重要见解:

对氢化物 SSE 的大数据分析

如下图 b 所示,研究人员对实验中 158 种金属氢化物的温度依赖性离子电导率分析发现,在不含中性分子 (without neutral molecules) 的 SSE 中,单价 (Monovalent) 电解质电导率通常处于 10⁻⁷ 至 10⁻¹ S cm⁻¹ 之间,活化能 (Eₐ) 低于 1.0 eV;而二价 (Divalent) 离子因与周围环境静电相互作用强,导电能力弱,不含中性分子的二价 SSE 较少。但向二价 SSE 晶格中添加中性分子后,可促进二价离子迁移,显著提升电导率,使其性能与单价电解质相当。

研究人员对 158 种金属氢化物的温度依赖性离子电导率进行分析

对传统模拟方法的改进

为深入理解 SSE 材料中的离子迁移,研究人员系统分析了过去 10 年常用的计算方法。基于 LLM 对实验与理论计算的基准测试分析,颠覆了对 SSE 阳离子迁移常用过渡态搜索方法的认知,揭示传统模拟方法与实验 Eₐ 差异显著,表明应优先采用更合理的方法,如 MetaD,尤其针对高 Eₐ 的 SSE 。如下图 d 所示,研究人员后续通过一系列 MetaD 模拟,进一步揭示阳离子迁移机制,引入多种理论描述符描述 Eₐ,采用全局优化策略阐明预测高离子电导率 SSE 组成的结构。

研究人员通过一系列 MetaD 模拟,进一步揭示阳离子迁移机制

研究人员还通过一系列 MetaD 模拟,深入探究阳离子迁移机制,引入多种理论描述符来描述 Eₐ,同时运用全局优化策略,阐明预测高离子电导率 SSE 组成的结构。在此基础上,推导出结构-性能关系,成功预测新型 SSE 。总体而言,该工作流程为预测氢化物阳离子迁移动力学、识别有前景的 SSE 新候选材料提供了有力工具,有效解决了二价固态电解质研究中因数据和方法限制导致的局限性难以明确等问题。

基于大数据的氢化物 SSE 的 AI 分析

氢化物 SSE 研究:揭示 SSE 阳离子迁移新机制,建立可靠活化能预测模型

在氢化物固态电解质 (SSEs) 研究领域,为精准预测阳离子迁移、探索新机制,研究团队构建了系统模型体系。如下图 a 所示,该模型涵盖 21 种不同 SSEs,涉及多种阳离子(Cations, 单价如 Li⁺、 Na⁺、 K⁺,二价如 Ca²⁺、 Mg²⁺、 Zn²⁺)、阴离子(Anions, 小巢式 BH₄⁻、网式 B₃H₈⁻、「笼状」闭式 BₙHₙˣ⁻、 CBₙHₙˣ⁻)以及中性分子(Neutral molecules, 如 H₂O 、 NH₃ 等),后者在体系中通过降低阳离子配位、扩展晶格来促进迁移。

模型基于 MetaD 模拟方法训练,在对应相态温度下,系统评估体系中的阳离子、阴离子及中性分子,获取自由能表面等关键数据。将模拟活化能 (MetaD Eₐ) 与实验值对比,吻合度极高 (R²=0.95),特别是含中性分子的二价 SSE 表现优异,验证了模型可靠性。

在阳离子迁移机制研究中,MetaD 模拟捕捉到全新迁移过程。如下图 c-d 所示,以 Mg 离子为例,其从原始四面体配位解离,向中性分子 NH₃ 移动并转移至间隙位点,沿间隙位点迁移,交替与 [BH₄]⁻ 配位完成迁移,过程中呈现「配位解锁」和「旋转轮」两种准稳定配位状态。类似过程也见于 LiBH₄·NH₃ 中的 Li⁺ 迁移。进一步分析发现,如下图 e-g 所示,这类 SSE 存在两个活化能值 (Eₐ₁ 和 Eₐ₂),分别对应阳离子移出配位环境及迁移到空位的过程,Eₐ₂ 与实验测量值接近,表明其可能是速率决定步骤。

氢化物 SSE 中实验和模拟的阳离子迁移势垒

在活化能预测研究中,研究团队引入 8 个理论描述符:单元格体积 (V) 、电负性 (X) 、原子序数 (Z) 、结合能 (bₘ) 、阴离子间距 (d) 、中性分子数量 (n) 、原子半径 (ratom) 和离子半径 (rion),对闭式 (Closo-SSEs) 和巢式 (Nido-SSEs) 体系进行单一线性回归 (Single linear regressions) 及多重线性回归 (multiple linear regression) 分析。巢式体系(BH₄ 体系)R² 值更高,且多重线性回归模型(如 Eₐ=a₁P₁+a₂P₂+b)能有效统一不同 SSE 类型,如下图所示,在含中性分子的二价 SSE 中预测能力强大,R² 值达 0.91 及以上。

氢化物 SSE 迁移能垒 Ea 与理论描述符之间的相关性分析

基于上述模型和分析,研究团队预测高性能二价氢化物 SSE,结合遗传算法 (GA) 与 USPEX 软件包开展晶体结构预测,探索出稳定结构。如 M(BH₄)₂・ 6(CH₃)₂CHNH₂「MBCCN」,其阳离子与两个 [BH₄]⁻ 和两个中性分子配位,形成能表明结构稳定,且 MetaD 模拟验证其 Eₐ 值与预测值接近,误差约 0.05 eV 。

人工智能驱动固态电解质研发:从创新到产业化

在固态电解质研究领域,AI 正经历着从辅助工具到核心驱动力的深刻转变,引领着材料研发范式的根本性变革,全球诸多科研团队与企业在这场变革中取得了显著成果。中国的清华大学欧阳明高院士团队构建了「文献 AI 读、报告 AI 写、模型 AI 算、优化 AI 做」的全链条智能化研发体系,将传统电池材料开发周期从数年大幅缩短至数月。其开发的固态电解质动态数据库 (DDSE) 已集成超过 2.5 万种实验材料数据,并结合大语言模型实现了离子电导率预测误差小于 5% 的突破。

丰田与日本出光兴产株式会社合作,利用 AI 算法优化硫化物电解质界面稳定性,开发出的全固态电池样品循环寿命突破 2 千次,能量密度达 400 Wh/kg,计划 2027 年实现量产。微软 Azure Quantum 团队采用 AI 模型筛选 3,200 万种材料组合,发现一种钠基固态电解质,其离子电导率与锂基材料相当,但成本降低 70%,相关成果已进入中试阶段。 DeepMind 的 GNOME 模型更预测出 220 万种新型材料,其中包括 528 种锂快离子导体,其自主开发的机器人实验室已成功合成 736 种预测材料,验证准确率达 80% 。

论文链接:

https://www.nature.com/articles/s41586-023-06735-9

这些突破性进展不仅体现在材料性能的显著提升,更推动了研发模式的深刻革新。例如,上海交通大学团队利用机器学习从 2.9 万种石榴石结构中筛选出 12 种高稳定性电解质,计算效率较传统 DFT 方法提升 95 倍,
论文链接:

https://www.sciencedirect.com/science/article/abs/pii/S2211285521005929

日本东北大学构建的动态数据库 (DDSE) 实时更新全球实验数据,结合 AI 预测为 100 余家企业提供材料设计指导。中国领先的新能源创新科技公司宁德时代建立了电池材料智能化设计平台,拥有超 1.8 亿条分子数据和 100 万条晶体数据,还有正极、负极、电解液等专题研发数据库 10 余个,其拥有的算力超过 1 PFlops,可在 90 天内完成材料筛选和闭环验证。另外,AI 在解决固固界面难题中展现出独特优势,清华大学张强团队开发的纳米润湿模型,通过 AI 优化界面应力分布,使电池循环寿命提升 3 倍。

论文链接:

https://pubs.acs.org/doi/10.1021/jacs.4c08115

当前,AI 与固态电解质的深度融合正加速产业化进程。丰田计划推出的搭载 AI 设计电解质的全固态电池,续航里程有望突破 1,000 公里;宁德时代的硫化物电解质中试线良品率已达 95%,预计 2025 年产能将突破 1,000 吨;DeepSeek 等垂直领域大模型的开源特性,使中小企业能够以低成本接入 AI 研发能力,推动全行业效率提升 1-2 个数量级。这些进展标志着固态电池研发已从「试错探索」迈入「智能创造」时代,AI 正成为破解材料瓶颈、加速技术迭代的核心引擎。

参考文章:
1.https://baijiahao.baidu.com/s?id=1824647127596448596&wfr=spider&for=pc
2.https://stock.stockstar.com/RB2025012400049753.shtml
3.https://www.toyota.com.cn/toyotatimes/tinfo/index.php?t\_id=559&lmid=100
4.http://www.istis.sh.cn/cms/news/article/45/26764
5.https://baijiahao.baidu.com/s?


超神经HyperAI
1.4k 声望8.8k 粉丝