AI2助力锂电池关键材料研发-郑家新

第九届全国储能科学与技术大会总结

会议基本信息

• 会议名称：第九届全国储能科学与技术大会
• 举办时间：2024年3月
• 举办地点：中国·溧阳

主题演讲：AI² for Battery Materials

• 演讲人：郑家新
• 演讲日期：2024/03/23

核心内容概述

本次演讲围绕人工智能驱动的电池材料研究展开，重点探讨了如何利用机器学习和物理建模相结合的方法，解决高镍层状正极材料和锂金属负极在储能技术中的关键问题，如材料寿命、安全性及能量密度等。

主要观点与关键信息

高镍层状正极材料研究

• 问题：高镍层状正极材料（如NMC811）中存在Li/Ni混排现象，影响材料性能。
• 研究背景：
  • Li/Ni混排是高镍正极材料的固有缺陷。
  • 通过调控该缺陷程度可优化材料性能。
  • 掺杂是调控该缺陷的重要手段，但缺乏系统性研究。
• 研究方法：
  • 设计反位构型，计算反位形成能 $E_{f} = E_{tol}^{Li / Ni} - E_{tol}^{initial}$。
  • 构造多种描述符，包括电子结构和晶体结构特征。
  • 使用机器学习模型分析描述符重要性，筛选出对反位缺陷影响显著的特征。
• 研究结果：
  • 掺杂元素价态升高，Ni价态降低，O磁矩增加。
  • 超交换作用增强可促进反位形成。
  • 特征COOPSU-SD和MagO可用于表征超交换强弱，从而预测反位难易。
  • 晶体结构变化（如键长、晶胞体积）对反位难易有显著影响。

锂金属负极研究

• 问题：锂枝晶生长影响锂金属电池的安全性和寿命。
• 研究背景：
  • 实验发现加压可减少锂枝晶，提升电池性能。
  • 亟需在原子尺度上理解压强对锂枝晶的影响机制。
• 研究方法：
  • 基于MTP模型构建机器学习势场。
  • 使用降维方法可视化特征空间。
  • 通过分子动力学模拟研究锂沉积行为。
• 研究结果：
  • 外部压力增加可加速锂枝晶融合，使表面变平滑。
  • 压强促进锂自愈过程，使原本难以愈合的缺陷和枝晶变平。
  • 锂沉积模拟显示，均匀沉积与非均沉积对枝晶形成的影响不同。

物理驱动的机器学习模型

• 研究目标：突破多尺度仿真技术的局限性，实现高精度与高效率的结合。
• 研究现状：
  • 当前多尺度模拟技术在时间/空间尺度和精度之间难以兼顾。
  • 第一性原理计算精度高但速度慢，经典势场计算速度快但精度粗糙。
• 物理驱动的机器学习模型：
  • 结合物理建模与机器学习，为分子动力学模拟拟合力场参数。
  • 确保在任意两个尺度耦合上，既具备微观精度，又具备宏观效率。

致谢与支持单位

• 资助单位：
  • 国家自然科学基金委员会
  • 深圳市科技创新委员会
  • CATL宁德时代
  • EACOMP 业民

总结

本次演讲展示了人工智能在电池材料研究中的应用，特别是在高镍正极材料和锂金属负极领域。通过机器学习方法，研究者能够系统分析掺杂元素对Li/Ni混排的影响，以及压强对锂枝晶和自愈过程的作用机制。物理驱动的机器学习模型为突破多尺度仿真瓶颈提供了新的思路，有助于推动高能量密度、高安全性的储能材料发展。