Die Chinesischen Und Japanischen Teams Gingen Das Problem Gemeinsam An, Indem Sie Mithilfe Eines Großen Modells Den Leitungsmechanismus Von Hydrid-Festelektrolyten Analysierten Und Ein Zuverlässiges Modell Zur Vorhersage Der Aktivierungsenergie Entwickelten.
Mit der rasanten Entwicklung von Branchen wie Elektrofahrzeugen und elektronischen Geräten ist auch die Nachfrage nach Hochleistungsbatterien stark gestiegen. Als Kern der nächsten Generation der Energiespeichertechnologie sind Festkörperbatterien aufgrund ihrer höheren Sicherheit, Energiedichte und Zyklenfestigkeit in den Fokus des weltweiten wissenschaftlichen Forschungswettbewerbs gerückt. Festkörperelektrolyte (SSEs) sind Schlüsselkomponenten von Festkörperbatterien (ASSBs). Ihre Leistungsparameter bestimmen direkt die Ausgangseffizienz und Lebensdauer der Batterie und sind zu einer technischen Festung geworden, um deren Überwindung wissenschaftliche Forschungsteams konkurrieren.
Die Forschung und Entwicklung traditioneller SSEs beruhte lange Zeit auf langwierigen Versuch-und-Irrtum-Methoden.Nehmen wir als Beispiel die japanische Toyota Motor Corporation. Dieser Branchenriese, der über 1.300 Patente für Festkörperbatterien besitzt, hatte einst den ehrgeizigen Plan, Festkörperbatterien im Jahr 2027 auf den Markt zu bringen. Aufgrund des Problems der Grenzflächenstabilität von Festkörperelektrolyten musste er den Zeitplan für die Massenproduktion jedoch auf nach 2030 verschieben. Zufällig ist auch die enorme Investition des US-Energieministeriums in die Technologie „Natriumionenbatterie + Festelektrolyt“ aufgrund des komplexen Ionenmigrationsmechanismus von Hydridmaterialien auf einen Engpass gestoßen. Dies legt die Grenzen des traditionellen F&E-Modells deutlich offen.Aufgrund der starken elektrostatischen Wechselwirkung zweiwertiger Kationen in Hydrid-SSEs ist es schwierig, ihr dynamisches Migrationsverhalten mithilfe herkömmlicher experimenteller Charakterisierungstechniken zu erfassen.Die Ineffizienz der Versuch-und-Irrtum-Methode hat den Prozess technologischer Durchbrüche weiter verlangsamt.
Vor diesem Hintergrund hat die künstliche Intelligenz der Forschung und Entwicklung von Festkörperelektrolyten eine transformative Dynamik verliehen. Der Aufstieg großer Sprachmodelle (LLMs) hat die Grenzen datengesteuerter Methoden erweitert und genauere Werkzeuge für theoretische Vorhersagen bereitgestellt. Allerdings stellt die Komplexität von SSE-Materialsystemen, insbesondere die mehrskaligen Ionenmigrationsmechanismen in Hydriden, immer noch eine Herausforderung für die Genauigkeit theoretischer Modelle dar. Das in der aktuellen Forschung vorherrschende Problem der methodischen Fragmentierung schränkt auch das systematische Verständnis materieller Systeme ein.
Um diesen Stillstand zu überwinden, hat ein gemeinsames Forschungsteam der Tohoku-Universität in Japan, der Sichuan-Universität in China und des Shibaura Institute of Technology in Japan ein innovatives Rahmenwerk vorgeschlagen, das künstliche Intelligenz und mehrskalige Simulation integriert.Dem Team gelang es, den einzigartigen „zweistufigen“ Ionenmigrationsmechanismus in Hydrid-SSEs aufzudecken, indem es eine umfassende SSE-Datenbank mit einem großen Sprachmodell und Ab-initio-Metadynamiksimulationen (MetaD) kombinierte.
Die entsprechenden Forschungsergebnisse wurden im internationalen Top-Journal Angewandte Chemie-International Edition unter dem Titel „Unraveling the Complexity of Divalent Hydride Electrolytes in Solid-State Batteries via a Data-Driven Framework with Large Language Model“ veröffentlicht.
Papieradresse:
Datengesteuerte und KI-beschleunigte Arbeitsabläufe, eine Beschleunigungsmaschine für Hochleistungs-Festelektrolyte
Im Bereich der Forschung zu zweiwertigen Festelektrolyten (SSE) werden Experimente und Berechnungen zwar immer intensiver, sie sind jedoch durch die Materialcharakterisierungstechnologie und Simulationsmethoden eingeschränkt. Die Vielfalt neutraler Moleküle und die träge Ionenwanderung erschweren die Forschung. Zu diesem Zweck entwickelte das Forschungsteam einen innovativen, Big Data-gesteuerten Workflow, der ein großes Sprachmodell (LLM) nutzt, um ein tiefes Verständnis von SSE zu erlangen und die Kationenmigration zu analysieren.Ziel ist die Entwicklung schneller ionenleitender SSEs für Hochleistungs-Festkörperbatterien (SSBs).
Wie in Abbildung a unten gezeigt,Der Prozess beginnt mit einer Big-Data-Analyse unter Verwendung der vom Team entwickelten Dynamic Database of Solid Electrolytes (DDSE), die 2.556 experimentelle SSE-Materialien, 18.635 Sätze von Messdaten zur Ionenleitfähigkeit und 657 rechnerische SSE-Materialien umfasst.So werden Schlüsselfunktionen erfasst und festgelegt.
Basierend auf dieser Datenbank gewannen die Forscher zwei wichtige Erkenntnisse:
Big Data-Analyse von Hydrid-SSE
Wie in Abbildung b unten dargestellt, analysierten die Forscher im Experiment die temperaturabhängige Ionenleitfähigkeit von 158 Metallhydriden und fanden heraus, dass in SSEs ohne neutrale Moleküle die Leitfähigkeit monovalenter Elektrolyte normalerweise zwischen 10⁻⁷ und 10⁻¹ S cm⁻¹ liegt und die Aktivierungsenergie (Eₐ) weniger als 1,0 eV beträgt; während zweiwertige Ionen starke elektrostatische Wechselwirkungen mit der Umgebung und eine schwache Leitfähigkeit aufweisen und es ohne neutrale Moleküle weniger zweiwertige SSEs gibt. Das Hinzufügen neutraler Moleküle zum zweiwertigen SSE-Gitter kann jedoch die Migration zweiwertiger Ionen fördern.Verbessert die Leitfähigkeit erheblich und macht die Leistung mit einwertigen Elektrolyten vergleichbar.
Verbesserungen herkömmlicher Simulationsmethoden
Um ein tieferes Verständnis der Ionenmigration in SSE-Materialien zu erlangen, analysierten die Forscher systematisch die in den letzten zehn Jahren üblicherweise verwendeten Rechenmethoden. Die LLM-basierte Benchmarkanalyse experimenteller und theoretischer Berechnungen stellt das Verständnis der üblicherweise verwendeten Methoden zur Suche nach Übergangszuständen für die Kationenmigration in SSEs auf den Kopf und zeigt, dass sich die traditionelle Simulationsmethode erheblich vom experimentellen Eₐ unterscheidet. Dies deutet darauf hin, dass sinnvollere Methoden wie MetaD bevorzugt werden sollten, insbesondere für SSEs mit hohem Eₐ. Wie in Abbildung d unten gezeigt, führten die Forscher anschließend eine Reihe von MetaD-Simulationen durch, um den Mechanismus der Kationenmigration weiter aufzudecken, führten mehrere theoretische Deskriptoren zur Beschreibung von Eₐ ein und verwendeten eine globale Optimierungsstrategie, um die Struktur der vorhergesagten SSE-Zusammensetzung mit hoher Ionenleitfähigkeit zu klären.
Die Forscher führten außerdem eine Reihe von MetaD-Simulationen durch, um den Mechanismus der Kationenmigration weiter zu erforschen, führten mehrere theoretische Deskriptoren zur Beschreibung von Eₐ ein und wandten eine globale Optimierungsstrategie an, um die Struktur der vorhergesagten SSE-Zusammensetzung mit hoher Ionenleitfähigkeit zu klären. Auf dieser Grundlage wurde die Struktur-Leistungs-Beziehung abgeleitet und die neue SSE erfolgreich vorhergesagt. Gesamt,Dieser Arbeitsablauf bietet ein leistungsstarkes Tool zur Vorhersage der Kinetik der Hydrid-Kationenmigration und zur Identifizierung vielversprechender neuer SSE-Kandidatenmaterialien.Es löst effektiv das Problem der Schwierigkeit, Einschränkungen zu klären, die durch Daten- und Methodenbeschränkungen bei der Erforschung zweiwertiger Festelektrolyte verursacht werden.
Hydrid-SSE-Forschung: Aufdeckung eines neuen Mechanismus der SSE-Kationenmigration und Entwicklung eines zuverlässigen Modells zur Vorhersage der Aktivierungsenergie
Im Forschungsgebiet der Hydrid-Festelektrolyte (SSE) hat das Forschungsteam ein systematisches Modellsystem aufgebaut, um die Kationenmigration genau vorherzusagen und neue Mechanismen zu erforschen.Wie in Abbildung a unten dargestellt, umfasst das Modell 21 verschiedene SSEs, darunter verschiedene Kationen (Kationen, einwertig wie Li⁺, Na⁺, K⁺, zweiwertig wie Ca²⁺, Mg²⁺, Zn²⁺), Anionen (Anionen, kleines Nest BH₄⁻, Netzwerk B₃H₈⁻, „käfigartig“ geschlossen BₙHₙˣ⁻, CBₙHₙˣ⁻) und neutrale Moleküle (neutrale Moleküle wie H₂O, NH₃ usw.). Letztere fördern die Migration im System, indem sie die Kationenkoordination verringern und das Kristallgitter erweitern.
Das Modell wird basierend auf der MetaD-Simulationsmethode trainiert.Bei der entsprechenden Phasentemperatur werden die Kationen, Anionen und neutralen Moleküle im System systematisch ausgewertet, um wichtige Daten wie die freie Energieoberfläche zu erhalten.Die simulierte Aktivierungsenergie (MetaD Eₐ) wurde mit dem experimentellen Wert verglichen und die Übereinstimmung war sehr hoch (R²=0,95). Insbesondere die divalenten SSE-haltigen neutralen Moleküle zeigten gute Ergebnisse, was die Zuverlässigkeit des Modells bestätigte.
Bei der Untersuchung des KationenmigrationsmechanismusDie MetaD-Simulation erfasst den neuartigen Migrationsprozess.Wie in Abbildung cd unten am Beispiel des Mg-Ions gezeigt, dissoziiert es von der ursprünglichen tetraedrischen Koordination, bewegt sich auf das neutrale Molekül NH₃ zu und wechselt zum Zwischengitterplatz, wandert entlang des Zwischengitterplatzes und koordiniert abwechselnd mit [BH₄]⁻, um die Wanderung abzuschließen. Dabei werden zwei quasistabile Koordinationszustände, „Koordinationsentriegelung“ und „rotierendes Rad“, vorgestellt. Ein ähnlicher Vorgang ist auch bei der Li⁺-Migration in LiBH₄·NH₃ zu beobachten. Weitere Analysen ergaben, dass dieser SSE-Typ zwei Aktivierungsenergiewerte (Eₐ₁ und Eₐ₂) hat, wie in Abbildung eg unten gezeigt, die dem Prozess entsprechen, bei dem Kationen aus der Koordinationsumgebung heraustreten bzw. in die freie Stelle wandern. Eₐ₂ liegt nahe am experimentellen Messwert, was darauf hindeutet, dass es sich möglicherweise um den geschwindigkeitsbestimmenden Schritt handelt.
In der Studie zur Vorhersage der Aktivierungsenergie führte das Forschungsteam 8 theoretische Deskriptoren ein: Elementarzellvolumen (V), Elektronegativität (X), Ordnungszahl (Z), Bindungsenergie (bₘ), Anionenabstand (d), Anzahl neutraler Moleküle (n), Atomradius (ratom) und Ionenradius (rion) und führte einfache lineare Regressionen und multiple lineare Regressionen an geschlossenen (Closo-SSEs) und verschachtelten (Nido-SSEs) Systemen durch. Das verschachtelte System (BH₄-System) hat einen höheren R²-Wert, und das multiple lineare Regressionsmodell (wie Eₐ=a₁P₁+a₂P₂+b) kann verschiedene SSE-Typen effektiv vereinheitlichen, wie in der folgenden Abbildung dargestellt.Die Vorhersagefähigkeit ist bei zweiwertigen SSEs, die neutrale Moleküle enthalten, stark, wobei R²-Werte von 0,91 und mehr erreichen.
Basierend auf den oben genannten Modellen und AnalysenDas Forschungsteam prognostiziert hochleistungsfähige zweiwertige Hydrid-SSE,Der genetische Algorithmus (GA) wurde mit dem USPEX-Softwarepaket kombiniert, um Kristallstrukturen vorherzusagen und stabile Strukturen zu untersuchen. Beispielsweise ist das Kation M(BH₄)₂・ 6(CH₃)₂CHNH₂ (MBCCN) mit zwei [BH₄]⁻- und zwei neutralen Molekülen koordiniert.Die Bildungsenergie zeigt an, dass die Struktur stabil ist, und die MetaD-Simulation bestätigt, dass ihr Eₐ-Wert mit einem Fehler von etwa 0,05 eV nahe am vorhergesagten Wert liegt.
Künstliche Intelligenz treibt Forschung und Entwicklung im Bereich Festelektrolyte voran: von der Innovation zur Industrialisierung
Auf dem Gebiet der Festkörperelektrolytforschung durchläuft die KI einen tiefgreifenden Wandel vom Hilfsinstrument zur zentralen Antriebskraft und führt zu einem fundamentalen Paradigmenwechsel in der Materialforschung und -entwicklung. Viele wissenschaftliche Forschungsteams und Unternehmen auf der ganzen Welt haben bei dieser Transformation bemerkenswerte Ergebnisse erzielt. Das von Akademiker Ouyang Minggao von der Tsinghua-Universität in China geleitete Team hat ein intelligentes F&E-System für die gesamte Kette aufgebaut, das „KI-Literaturlesen, KI-Berichtsschreiben, KI-Modellberechnung und KI-Optimierung“ umfasst und den Entwicklungszyklus herkömmlicher Batteriematerialien von mehreren Jahren auf mehrere Monate deutlich verkürzt hat.Die vom Unternehmen entwickelte Dynamic Database of Solid Electrolytes (DDSE) hat Daten von mehr als 25.000 experimentellen Materialien integriert.In Kombination mit dem großen Sprachmodell wurde ein Durchbruch erzielt, bei dem der Vorhersagefehler der Ionenleitfähigkeit weniger als 5% betrug.
Toyota hat mit der japanischen Idemitsu Kosan Co., Ltd. zusammengearbeitet, um mithilfe von KI-Algorithmen die Stabilität der Sulfid-Elektrolyt-Grenzfläche zu optimieren. Das von ihnen entwickelte Muster einer Festkörperbatterie hat eine Zyklenlebensdauer von über 2.000 Zyklen und eine Energiedichte von 400 Wh/kg. Die Massenproduktion ist für 2027 geplant. Das Microsoft Azure Quantum-Team verwendete ein KI-Modell, um 32 Millionen Materialkombinationen zu prüfen und entdeckte einen Natrium-basierten Festelektrolyten mit einer Ionenleitfähigkeit, die mit der von Lithium-basierten Materialien vergleichbar ist, aber 70% weniger kostet. Die entsprechenden Ergebnisse sind in die Pilotphase eingetreten. Das GNOME-Modell von DeepMind prognostiziert 2,2 Millionen neue Materialien, darunter 528 schnelle Lithium-Ionenleiter.In seinem unabhängig entwickelten Roboterlabor wurden 736 vorhergesagte Materialien mit einer Verifizierungsgenauigkeit von 80% erfolgreich synthetisiert.
Link zum Artikel:
https://www.nature.com/articles/s41586-023-06735-9
Diese Durchbrüche führen nicht nur zu erheblichen Verbesserungen der Materialleistung, sondern fördern auch tiefgreifende Innovationen in F&E-Modellen. Zum Beispiel,Ein Team der Shanghai Jiao Tong University nutzte maschinelles Lernen, um aus 29.000 Granatstrukturen 12 hochstabile Elektrolyte herauszufiltern.Die Rechenleistung ist 95-mal höher als bei herkömmlichen DFT-Methoden.
Link zum Artikel:
https://www.sciencedirect.com/science/article/abs/pii/S2211285521005929
Die von der Tohoku-Universität in Japan erstellte dynamische Datenbank (DDSE) aktualisiert globale experimentelle Daten in Echtzeit und kombiniert KI-Vorhersagen, um mehr als 100 Unternehmen Leitlinien für das Materialdesign bereitzustellen. CATL, Chinas führendes Technologieunternehmen für innovative neue Energien, hat eine intelligente Designplattform für Batteriematerialien entwickelt.Es verfügt über mehr als 180 Millionen Moleküldaten und 1 Million Kristalldaten sowie über mehr als 10 spezielle Forschungs- und Entwicklungsdatenbanken wie positive Elektroden, negative Elektroden und Elektrolyte.Es verfügt über eine Rechenleistung von mehr als 1 PFlops und kann die Materialprüfung und Closed-Loop-Verifizierung innerhalb von 90 Tagen abschließen. Darüber hinaus hat die KI einzigartige Vorteile bei der Lösung von Problemen mit Festkörper-Grenzflächen gezeigt. Das von Zhang Qiangs Team an der Tsinghua-Universität entwickelte Nanobenetzungsmodell optimiert die Spannungsverteilung an der Schnittstelle zwischen den Komponenten durch KI und erhöht so die Lebensdauer der Batterie um das Dreifache.
Link zum Artikel:
https://pubs.acs.org/doi/10.1021/jacs.4c08115
Derzeit beschleunigt die tiefe Integration von KI und Festkörperelektrolyten den Industrialisierungsprozess. Toyota plant die Einführung einer Festkörperbatterie mit einem von künstlicher Intelligenz entwickelten Elektrolyten, die eine Reichweite von über 1.000 Kilometern haben soll. Die Sulfidelektrolyt-Pilotlinie von CATL hat eine Ausbeute von 95% und ihre Produktionskapazität wird im Jahr 2025 voraussichtlich 1.000 Tonnen übersteigen. Der Open-Source-Charakter großer vertikaler Modelle wie DeepSeek ermöglicht kleinen und mittleren Unternehmen den kostengünstigen Zugang zu KI-F&E-Kapazitäten.Fördern Sie eine branchenweite Effizienzsteigerung um 1–2 Größenordnungen.Diese Fortschritte deuten darauf hin, dass die Forschung und Entwicklung im Bereich der Festkörperbatterien vom „Versuch und Irrtum“-Prinzip in die Ära der „intelligenten Schöpfung“ eingetreten ist und KI zum zentralen Motor für die Überwindung von Materialengpässen und die Beschleunigung der technologischen Iteration wird.
Referenzartikel:
1.https://baijiahao.baidu.com/s?id=1824647127596448596&wfr=spider&for=pc
2.https://stock.stockstar.com/RB2025012400049753.shtml
3.https://www.toyota.com.cn/toyotatimes/tinfo/index.php?t_id=559&lmid=100
4.http://www.istis.sh.cn/cms/news/article/45/26764
5.https://baijiahao.baidu.com/s?