美國勞倫斯利佛摩國家實驗室（LLNL）近日公布兩項最新研究，成功運用高效能運算（HPC）結合物理導向機器學習（Physics-Informed Machine Learning），大幅加速電池材料的設計進程。這兩項研究分別聚焦於鈉離子電池的「碳負極」與鋰離子電池的「液態電解質」，為電池材料的設計帶來革命性的突破。

鈉離子電池的碳負極研究

第一篇發表於《Energy Storage Materials》的論文探討了鈉離子電池，特別關注目前最成熟的硬碳（Hard Carbon）負極。硬碳內部結構複雜，包含無序的石墨烯樣片層、孔洞與空隙，鈉離子在其中的運動模式多變，這使得精確設計變得困難。

研究團隊利用 LLNL 的高效能運算，模擬原子在材料中的運動與交互作用，幾乎像是製作出鈉離子在碳材內擴散、聚集或被困住的「原子級影片」。這些模擬資料進一步被用來訓練機器學習模型，將鈉離子運動分成八種不同狀態，建立了微結構與離子傳輸之間的量化對照。

關鍵發現：隨著碳密度與鈉負載增加，離子更容易聚集或卡在奈米孔中，這將直接影響電池的充放電速率與熱安全性。

鋰離子電池的電解質研究

另一項刊登於《EES Batteries》的研究，則將同樣的方法應用於鋰離子電池的電解質設計。由於溶劑、鹽類、添加劑與濃度的組合極多，傳統的「試錯法」難以全面篩選。

LLNL 團隊改以分子動力學生成真實的 3D 分子構型，再交由機器學習模型預測各種配置的統計穩定性。研究指出，電化學穩定性取決於「整體分子集合」的排列，而不只是單一成分的總和。

效能大突破：團隊發現，將一種鋰鹽換成另一種後，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，這兩項研究不僅為電池材料的設計提供了全新的方法，還有可能加速新一代儲能技術的商業化進程。高效能運算與物理導向機器學習的結合，有望成為未來電池研發的標準工具。

展望與影響

LLNL 科學家 Sabrina Wan 指出，這類方法不僅有助於鋰、鈉與多價電池化學體系的材料發現，未來也可廣泛延伸至其他電化學系統中。這些技術的應用將使電池研發過程更加高效，縮短從實驗室到市場的時間，進而推動可再生能源的普及。

讀者們，你是否對電池技術的未來充滿期待？歡迎在留言區分享你的看法，並與我們一同探索更多創新科技。

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 的研究有哪些主要成果？

LLNL 的研究主要成果包括：1. 利用高效能運算和物理導向機器學習，大幅加速鈉離子電池的碳負極和鋰離子電池的液態電解質設計；2. 揭示了碳密度與鈉負載對鈉離子運動的影響；3. 發現將某種鋰鹽替換後，電解質的穩定窗口可擴大 57%。

這兩項研究對電池技術有哪些影響？

這兩項研究對電池技術的主要影響包括：1. 提供了新的設計方法，使電池材料的研發更加高效；2. 加速了新一代儲能技術的商業化進程；3. 推動了可再生能源的普及。

物理導向機器學習在電池研究中有何優勢？

物理導向機器學習在電池研究中的優勢包括：1. 能夠更精確地模擬材料在原子尺度上的動態變化；2. 通過機器學習模型找到結構、化學組成與性能之間的關聯；3. 簡化了傳統的試錯法，提高了研發效率。

※ 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。