2025年6月24日，Nat. Rev. Mater.在线发表了英国纽卡斯尔大学James A. Dawson和牛津大学M. Saiful Islam课题组的综述论文，题目为《Understanding solid-state battery electrolytes using atomistic modelling and machine learning》。
采用固态电解质的固态电池因其潜在的安全性、稳定性和高能量密度特性，正成为电动汽车和电网级可再生能源存储等下一代技术的理想选择，日益受到学界和产业界的关注。固态电解质的研发进展亟需在原子和纳米尺度深入理解材料特性的基础上，对现有及新型材料进行设计与优化。
在此综述中，作者重点阐述了如何通过原子尺度建模与机器学习技术，为锂基和钠基电池中的无机晶体固态电解质研究提供关键见解。系统讨论了针对氧化物、硫化物和卤化物材料的计算模拟研究，这些研究聚焦于决定固态电解质性能的三大核心特性：快离子传导机制、界面效应及化学稳定性。相关研究成果为未来开发高性能固态电池提供了重要的设计策略。
未来的计算研究或将聚焦固态电解质材料的关键科学难题，这些难题对固态电池的发展至关重要，主要包括以下研究方向：
I. 界面与稳定性
需深入理解固态电解质与电极材料（包括金属负极和高压正极）之间的界面反应与相容性，重点研究电解质-电极界面的电阻及其对充放电过程中离子输运的影响。陶瓷氧化物电解质中的晶界电阻尤为关键。进一步发展电化学稳定性与界面反应的热力学模型，将有助于确定固态电解质实际工作时的本征电压极限。
II. 新材料设计与优化
高通量数据驱动计算工具与实验验证相结合，将持续用于研究传统固态电解质的成分变化与化学掺杂，并筛选新型快离子导体的设计要素。该领域大量研究表明，并不存在单一普适的超离子行为设计原则，需通过多样化设计策略优化特定固态电解质体系。
III. 机器学习与技术发展
为突破传统第一性原理计算的尺度限制，必须进一步改进用于研究离子输运与界面过程的机器学习方法。由于机器学习研究的精度依赖于训练数据质量，需特别注意确保训练构型的多样性与代表性，并严格验证拟合精度——缺乏高质量训练数据时，"垃圾进，垃圾出"的困境依然存在。其他重要技术进展包括加强计算与实验手段（如核磁共振、非线性光学和中子散射）的协同，以及开发能整合原子尺度至连续介质模型的多尺度模拟工具。
Dutra, A.C.C., Goldmann, B.A., Islam, M.S. et al. Understanding solid-state battery electrolytes using atomistic modelling and machine learning. Nat. Rev. Mater., 2025. https://doi.org/10.1038/s41578-025-00817-y
【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！
