AI助力高性能锌离子电池的研究突破

来自 实验室仪器网

来自一组科学家使用人工智能（AI）来帮助他们了解锂离子电池的工作原理，以及如何提高其效率以满足未来的储能需求。重点是水基电解质，在充电和使用过程中，这种电解质会让带电的锌离子穿过可充电电池。AI模型研究了这些带电离子如何与不同浓度氯化锌（ZnCl2），一种在水中溶解度高的盐。

人工智能研究结果经过布鲁克海文实验室同步加速器光源II（NSLS-II）的实验验证，显示了为什么高盐浓度会产生最佳电池性能。

人工智能是促进科学进步的重要工具，这个团队所做的研究提供了一个例子，说明通过使用人工智能增强，将实验和理论相结合可以获得洞察力。这项工作可能有助于推进用于大规模储能的坚固锂离子电池的开发。这些电池对于弹性能源应用特别有吸引力，因为水基电解质本质上是安全的，而且制造它们所使用的材料丰富且价格合理。

与所有电池一样，锌离子电池将化学反应中的能量转化为电能，然而，竞争性的化学反应，例如分裂水分子并产生氢气的反应，会严重降低电池性能，如果这些能量中的任何一个用于副反应，你就会失去本应做功的能量。

以前的研究发现，在一种特殊的氯化锌电解质中，水分解受到抑制，其中的盐浓度非常高，以至于被称为“盐包水”电解质，这与更常见的“水包盐”电解质形成鲜明对比。为了弄清楚为什么高盐版本更好，科研人员想捕捉锌和氯离子在不同盐浓度下如何移动并与水相互作用的原子级细节，以及这如何影响电解质的电导率。

但是看到这些原子尺度的细节是极具挑战性的。因此，该团队转向了一种由AI视觉增强的计算机建模形式。

使用传统计算技术是不可能看到这些复杂细节的。传统的仿真方法无法以所需的精度处理大量的原子相互作用，无法捕捉此类系统演化的时间尺度。这样的计算需要巨大的计算能力，这很容易需要很多年。

因此，该研究团队没有执行完全模拟离子与水相互作用所需的所有复杂计算，而是使用传统模拟生成少量模拟数据，称为“训练集”，并将其提供给AI程序。他们使用了CFN的理论和计算设施。

需要通过计算少量交互来收集少量数据，以启动训练初始模型的过程，然后，运行模型以生成更多数据，以继续改进模型的预测。在每一步中，科学家们都通过一组机器学习（ML）模型运行他们的结果，以评估预测是否准确。

但是，当发现某些预测在ML模型的集成中有非常大的偏差时，会回到常规计算来获得正确答案。然后将这些新的更正数据点添加回训练数据中，以进一步完善ML模型。

这种迭代的“主动学习”过程最大限度地减少了需要以计算成本高昂的方式运行的计算数量，以完成ML模型的训练。而且，经过几轮训练，AI模型可以在越来越长的时间尺度上预测大量原子相互作用。

使用数千个原子（一个非常大的系统）运行了数百纳秒的模拟，使用传统方法来说，这是一项不可能完成的任务。AI/ML确实改变了复杂材料研究的游戏规则。科学家的AI模型显示，高浓度的氯化锌在稳定水分子、防止其分裂方面起着关键作用。

在纯水中，一个水分子中的氧原子（H2O）与邻近水分子中的氢原子形成两个所谓的氢键。这些氢键将水分子连接在一个连续的网络中，这使得水分子更具反应性，更容易分裂。

该团队发现，随着氯化锌浓度的增加，氢键的数量迅速下降，从而破坏了氢键网络。在盐包水状态中，只剩下大约20%的氢键。稳定水分子是高浓度盐包水电解质如此有效的重要组成部分。

但电化学稳定性并不是这项研究揭示的盐包水电解质的唯一好处。AI模型还解释了高盐浓度如何保持有效的锌离子传输。当电池循环时，离子会在电极之间来回移动。

AI模型显示，在非常低的浓度下，锌离子和氯离子彼此分离，并且由于电荷相反，它们以相反的方向独立地穿过电解质。在较高浓度下，离子和水分子开始形成带有净负电荷的簇。与带正电荷的锌离子的首选方向相比，这种整体负电荷使这些锌簇向错误的方向移动。

幸运的是，在非常高的浓度下，一些锌、氯化物和水的聚集体会长得非常大，虽然仍然带负电，但这些大团簇很少，因此它们对电导率的贡献很小。但是，溶液中留下的较小团簇会获得整体正电荷，并且可以在大团簇周围旋转，从而为电池提供足够高的导电性。

科学家们并不完全依赖ML模型之间的协议来评估他们的结果。他们还进行了真实世界的实验来研究原子结构并测量了电解质样品的电导率。使用对分布函数（PDF）光束线上的X射线来生成材料中原子对之间距离分布的测量值。

PDF光束线提供了一个强大的平台，具有可调节的X射线能量，可以直接了解原子是如何间隔的，这种高分辨率X射线映射可帮助研究人员探索从几个原子到更大图案的结构，这对于研究电池中的复杂材料特别有用。这是交叉检查和验证机器学习方法预测的原子级结构的好方法。

基于AI的预测与真实世界的实验非常吻合。因此，我们确信该模型是可靠的，这项工作展示了人工智能和机器学习对理解材料化学的巨大影响，并为优化电池电解质提供了指导。

» 仪器设备 购买 咨询