美國勞倫斯利佛摩國家實驗室（LLNL）近日宣布，成功利用高效能運算（HPC）和物理導向機器學習（Physics-Informed Machine Learning）技術，大幅提升鋰離子和鈉離子電池材料的設計效率。這兩項研究成果分別發表於《Energy Storage Materials》和《EES Batteries》，聚焦於鈉離子電池的碳負極和鋰離子電池的液態電解質。
鈉離子電池的突破
在《Energy Storage Materials》發表的論文中，LLNL 團隊針對鈉離子電池的硬碳（Hard Carbon）負極進行了深入研究。硬碳材料內部存在大量的無序石墨烯片層、孔洞和空隙，使得鈉離子的運動變得複雜且難以控制。研究人員利用 LLNL 的高效能運算能力，模擬了鈉離子在碳材料中的運動過程，生成了一幅「原子級影片」，詳細記錄了鈉離子在不同環境下的擴散、聚集和被困情況。
通過這些模擬數據，研究團隊建立了微觀結構與離子傳輸之間的量化模型，並將鈉離子的運動分為八種不同狀態。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被困在奈米孔中，這將直接影響電池的充放電速率和熱安全性。
鋰離子電池的創新
在另一篇發表於《EES Batteries》的研究中，LLNL 團隊將同樣的方法應用於鋰離子電池的電解質設計。由於電解質組成複雜，包括溶劑、鹽類和添加劑，傳統的「試錯法」難以全面篩選最佳配方。LLNL 團隊利用分子動力學生成了真實的 3D 分子構型，再通過機器學習模型預測各種配置的統計穩定性。
研究結果顯示，電化學穩定性取決於「整體分子集合」的排列，而不是單一成分的總和。研究人員發現，通過調整鹽類或溶劑的種類和濃度，可以顯著擴大電解質的穩定窗口。例如，將某種鋰鹽替換為另一種後，穩定窗口可擴大達 57%，其關鍵在於陰離子如何圍繞鋰離子進行排列。
從產業面來看，LLNL 的這兩項研究不僅為鋰、鈉電池材料的設計提供了新的工具和方法，還有望推動高通量篩選平台的發展，加速儲能材料的研發進程。這些成果將有助於提升電池的性能和安全性，進一步促進可再生能源的應用。
LLNL 科學家 Sabrina Wan 表示，這些方法不僅適用於鋰、鈉電池，未來還可廣泛應用於其他電化學系統，如多價電池化學體系。這意味著，通過高效能運算和機器學習的結合，電池材料的設計將變得更加科學和高效。
行動呼籲
隨著電池技術的不斷進步，我們的生活將迎來更多的可能性。讀者們，不妨關注這些前沿研究，思考它們如何影響我們的日常生活。如果你對電池技術感興趣，不妨進一步探索相關的科研報告，或參加相關的研討會和論壇，與專家交流心得。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
LLNL 是什麼機構？
LLNL 是美國勞倫斯利佛摩國家實驗室（Lawrence Livermore National Laboratory）的縮寫，是一家致力於科學研究和技術開發的國家級實驗室。
什麼是物理導向機器學習？
物理導向機器學習是一種將物理定律和機器學習技術相結合的方法，用於解決複雜的物理問題。這種方法能夠提高模型的準確性和可靠性。
這些研究成果有哪些實際應用？
這些研究成果可應用於電池材料的設計和篩選，提高電池的性能和安全性，進一步促進可再生能源的應用。例如，通過優化電解質配方，可以提高鋰離子電池的穩定性和壽命。
※ 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。
