【北京大学】2024年AI助力锂电池关键材料研发报告_22页_2mb

AI2forBatteryMaterials相关研究总结

研究聚焦高镍层状正极材料（如NMC811）的性能优化及锂金属负极的枝晶抑制问题。

问题与目标

1. 商用氧化物正极材料的寿命与安全稳定性；
2. 锂金属枝晶生长导致能量密度下降的挑战。
   研究旨在通过数据驱动方法，揭示掺杂元素对Li/Ni混排的影响机制，优化材料配方或工艺，并探索新能源材料筛选路径。

研究方法

• 高通量计算与数据挖掘
  建立包含材料计算数据库与测试数据库的多源数据体系，采用高通量计算工作流对材料性能进行系统分析。通过可视化建模定位关键因素，如掺杂元素的价态、局部超交换作用、键强变化等电子结构参数，以及键长变化、晶胞体积变化等晶体结构参数。
• 可解释机器学习模型
  构造描述符（如电子特征56个、结构特征44个），经线性相关性分析筛选出显著特征（电子特征11个、结构特征7个），增强了模型的物理意义。发现低相关性描述符组合的预测性能更优。
• 物理驱动的机器学习突破多尺度仿真瓶颈
  结合第一性原理计算与经典势场模型，构建高效计算方法。通过机器学习拟合力场参数，实现多尺度模拟的精度与效率平衡，克服传统方法在时空尺度与计算复杂度间的矛盾。

研究结果

1. 电子结构影响
   • 掺杂元素价态升高可降低Ni价态，增加O磁矩，促进Li/Ni混排。
   • 局部超交换作用增强时，反位缺陷更易形成，而反位形成能与超交换强度指标（如描述符���������−����和��������）可表征该机制。
2. 晶体结构影响
   • 同种掺杂元素的六种构型局部分析显示，晶胞体积变化剧烈时反位更难形成，键长与键强变化趋势一致。
   • 压强作用下，锂枝晶加速融合并抑制生长，表面变得更平滑；同时促进锂的自修复，使原本难以愈合的缺陷快速恢复。

创新点：

• 首次系统比较掺杂元素对Li/Ni混排的影响，结合机器学习与第一性原理计算预测材料性能；
• 建立物理驱动的机器学习模型，提升多尺度仿真效率，解决计算资源与精度的矛盾；
• 揭示压强对锂枝晶及自愈的协同作用机制，为高安全性锂金属电池设计提供理论依据。

技术路径：
通过多源数据库构建→特征筛选与模型训练→物理机制解析→材料优化设计，形成闭环研究流程。