潘鋒&汪林望AEM：機器學習助力鋰金屬負極生長機制研究

一、【導讀】

鋰離子電池由于其高能量密度，在電動汽車和大規模儲能等領域獲得了廣泛的應用。為了進一步提高電池的比能量密度，鋰金屬負極可以提供低的電極電位與高理論比容量，因此被認為是下一代負極材料的理想選擇之一。然而，枝晶生長和循環過程中明顯的體積變化等問題嚴重阻礙了鋰金屬負極的發展。在實際工作情況下，鋰金屬負極的枝晶生長問題不僅會降低電池的庫倫效率，并可能帶來嚴重的安全隱患。枝晶生長到一定長度后，會刺穿隔膜并接觸到正極，從而導致短路，極易引發火災等嚴重安全事故。

二、【成果掠影】

近日，北京大學深圳研究生院新材料學院潘鋒教授課題組與中科院半導體研究所首席科學家汪林望教授合作開發了一套基于圖論和AI針對跨尺度形貌模擬的機器學習力場構建策略，并應用于電解液環境下的鋰枝晶形貌演化模擬。模擬結果揭示了鋰枝晶演化可分為兩個階段：在第一階段，表面原子的能量降低導致最初的單晶枝晶的局部重新取向和多個晶疇的形成。在第二階段，體相原子的能量降低驅動晶界遷移和晶疇滑移。該項研究指出，表面能對鋰枝晶形貌演化過程產生了顯著的影響，對進一步推動鋰金屬負極的發展具有重大參考價值。該論文以題為“Revealing Morphology Evolution of Lithium Dendrites by Large-Scale Simulation Based on Machine Learning Force Field”發表在知名期刊Adv. Energy Mater.上，北京大學深圳研究生院新材料學院博士生張文韜為該論文的第一作者。

三、【核心創新點】

基于機器學習力場的分子動力學模擬結果，本研究總結了鋰枝晶的兩段式形貌演化過程，并觀察到了與實驗一致的扭結現象，隨后進一步分析了不同形貌演化階段，并確定了表面能和晶界能是形貌演化的主要驅動力。

四、【數據概覽】

圖一、機器學習力場數據集生成與模型構建 ? 2022 Wiley

（a）小尺度枝晶數據集的構建。

（b）機器學習力場（ML-FF）模型的體系結構。

（c）bcc相位結構剖面圖和通過投影獲得的2D特征平面圖。

圖二、跨尺度模擬的主動學習方法示意圖 ? 2022 Wiley

（a）用于擴展模型范圍的主動學習數據采樣示意圖。

（b）通過切割對MLFF-MD期間變化的關鍵部分進行采樣。

（c）小的局部系統使用DFT重新計算，然后對ML-FF模型進行再訓練，從而形成一個主動學習循環。

圖三、鋰枝晶的兩階段形貌變化 ? 2022 Wiley

（a）200ps MLFF-MD模擬期間柱狀結構的方向變化。

（b）100ps MLFF-MD模擬后的結構的原子排列。

（c-d）第一階段和第二階段形態學變化示意圖。

圖四、不同暴露表面的長方體結構的形態變化 ? 2022 Wiley

（a-b）具有[100]暴露平面和[110]暴露平面的長方體結構俯視圖。

（c-d）MLFF-MD模擬過程中表面原子的統計變化和結構的平均位移。

五、【成果啟示】

基于能量拆分方法，研究人員在傳統DFT計算結果中局域化拆分體系總能量，實現了端到端的機器學習力場模型構建。并進一步通過機器學習力場實現了電解液環境下鋰枝晶形貌的原位跨尺度分子動力學模擬。在提出了一套跨尺度主動學習方案后，總結了鋰枝晶的兩段式形貌演化過程，詳細分析了不同形貌演化階段，并確定了表面能和晶界能是形貌演化的主要驅動力。最后，作者還注意到枝晶生長還與多個生長階段、熱力學性質、電極電勢和顯式溶劑分子有關。這些效應將影響形態變化的動力學，在研究一些其他的原位現象時需要被進一步考慮，并計劃通過使用相關數據重新訓練模型來擴展模型的應用范圍，這些數據包括通過巨正則固定電勢法計算或考慮顯式溶劑分子的AIMD結果。

文獻鏈接：Revealing Morphology Evolution of Lithium Dendrites by Large-Scale Simulation Based on Machine Learning Force Field (Adv. Energy Mater. 2022, 2202892)

本文由賽恩斯供稿。