高影响力期刊专题文章：原子尺度模拟和机器学习加速下一代电池材料的开发和优化

可充电锂离子电池 (LIBs) 的发展使电动汽车和便携式电子设备发生了划时代的变化，然而LIBs的功率密度、安全性、可靠性和使用寿命仍需进一步提升。在过去的几十年里，原子建模与实验表征技术的相辅相成，已然成为电池材料新技术的重要发展组成部分。可靠的原子尺度建模能够对大型化学和材料设计空间进行快速初步评估，从而加速下一代电池技术的开发周期。

液态电解质是锂离子电池最重要的组成部分，它也是当代世界的一项关键技术。如何准确预测电解液的粘度、离子扩散率等关键属性对改进电池设计十分有帮助。在这篇由Schrödinger发表的专题文章中¹，科学家们开发了一种基于机器学习的力场来预测电解质材料的特性。尽管该研究主要集中在七种常见的碳酸盐和六氟磷酸锂，但这种方法几乎没有什么局限性，可以应用于任何液体电解质化学。

通过机器学习力场与分子动力学模拟，科学家研究了关键特性并证明了大规模原子建模对电池化学的有效性。该研究的主要结果如下：

• 准确预测工业液体电解质中使用的化合物子集的热力学和传输特性

• 预测的粘度特性与实验数据十分吻合

• 计算了文献中没有实验值的属性，例如纯液体溶剂的扩散系数

• 对不同液体电解质中锂离子溶剂化环境进行详细的结构分析，这可能有助于电解质混合物的基于结构的设计

• 该模型涵盖了更广泛的化学空间，包括常见的多组分液体电解质，并针对纯溶剂和电解质混合物的多种实验特性进行了严格验证

Schrödinger 将在2023年3月10日上午9点30分举办“利用原子尺度建模设计和发现下一代电池材料”网络研讨会，讨论如何通过分子模拟推动新型电池材料的开发。本次网络研讨会将为研发管理者、材料科学家和工程师提供以下内容：

• 基于物理建模的电池材料预测

• 自动化高通量模拟工作流程如何支持快速筛选新型电池候选材料

• 应用先进的神经网络力场准确预测电解质特性

  
  

报名方式

长按识别二维码或点击原文链接参加报名

参考：

1. High-Dimensional Neural Network Potential for Liquid Electrolyte Simulations; Steven Dajnowicz, Garvit Agarwal, James M. Stevenson, Leif D. Jacobson, Farhad Ramezanghorbani, Karl Leswing, Richard A. Friesner, Mathew D. Halls, and Robert Abel, J. Phys. Chem. B 2022, 126, 33, 6271–6280.