突破設計瓶頸，LLNL 以高效能運算與機器學習加速鋰、鈉電池研發

美國勞倫斯利佛摩國家實驗室（LLNL）近日宣布兩項突破性研究，成功結合高效能運算（HPC）和物理導向機器學習（Physics-Informed Machine Learning），大幅加快電池材料的設計過程。這兩項研究分別針對鈉離子電池的碳負極和鋰離子電池的液態電解質，揭示了複雜材料結構的奧秘。

鈉離子電池的碳負極設計突破

第一篇發表於《Energy Storage Materials》的論文，專注於鈉離子電池的硬碳（Hard Carbon）負極。硬碳內部具有無序的石墨烯片層、孔洞和空隙，使得鈉離子在其間移動、附著或填入奈米孔中，這雖然提供了極高的能量密度，但也帶來了設計上的挑戰。

研究團隊利用 LLNL 的高效能運算模擬原子在材料中的運動，生成了「原子級影片」，詳細記錄了鈉離子在碳材料中的擴散、聚集和被困住的過程。基於這些模擬數據，研究人員建立了八種不同的鈉離子運動狀態模型，量化了微結構與離子傳輸之間的關聯。

研究發現，隨著碳密度和鈉負載的增加，鈉離子更容易聚集或卡在奈米孔中，這將直接影響電池的充放電速率和熱安全性。

另一項刊登於《EES Batteries》的研究，則將相同的方法應用於鋰離子電池的電解質設計。由於電解質的組成非常複雜，傳統的試錯法難以全面篩選最佳配方。

LLNL 團隊通過分子動力學生成真實的 3D 分子構型，再利用機器學習模型預測各組合的統計穩定性。研究指出，電化學穩定性取決於整體分子集合的排列，而不仅仅是單一成分的總和。研究發現，將某種鋰鹽替換成另一種後，穩定窗口可擴大 57%，這主要是因為陰離子圍繞鋰離子的排列方式發生了變化。

研究人員表示，這套「分子動力學＋物理導向機器學習」的方法，有望成為高通量篩選平台，將過去極度依賴試錯的電解質設計轉變為以物理為基礎的探索方式。

從產業面來看，LLNL 的這兩項研究不僅大幅提升了電池材料的設計效率，還為未來的儲能技術奠定了堅實的科學基礎。這套方法的應用範圍遠不止於鋰、鈉電池，還可以拓展到其他電化學系統，如多價電池和固態電池，有望引領下一個世代的儲能技術革命。

LLNL 的研究成果為電池材料的設計開拓了新的途徑，但實際應用仍需進一步的實驗驗證和產業合作。隨著這套方法逐漸成熟，我們可以期待更多高性能電池材料的誕生，推動電動車、可再生能源儲存等領域的快速發展。

文章看完覺得有幫助，何不給我們一個鼓勵？請我們喝杯咖啡吧！您的支持將是我們持續創作高質量內容的動力。

本文改寫整理自公開新聞來源，原始報導由科技新報發布。

LLNL 的研究方法獨特之處在於結合了高效能運算和物理導向機器學習，能夠模擬材料在原子尺度上的動態變化，並建立微結構與性能之間的量化對照。

這兩項研究的主要成果包括：1) 揭示了鈉離子在硬碳負極中的運動規律，2) 發現了鋰離子電解質中陰離子排列方式對穩定性的影響。

這套方法的應用範圍不僅限於鋰、鈉電池，還可以拓展到其他電化學系統，如多價電池和固態電池，有望推動更多高性能電池材料的研發。

※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。