AI2助力锂电池关键材料研发-郑家新.pdf

1、AI2for Battery Materials郑 家 新2024/03/23AI2for Battery MaterialsAb Initio(AI)Artificial Intelligence(AI)AI2Zheng*et al,JPCL 2024问题1：寿命、安全商用氧化物正极材料稳定性问题2：能量密度锂金属枝晶生长高通量计算工作流可视化建模多源数据库结构文件导入可视化数据分析电池材料计算数据库电池材料测试数据库材料筛选/设计AI模型计算引擎数据提取材料信息学基于数据找规律（机理），优化配方或者工艺基于数据找新材料Zheng*et al,JPCL 2024可解释机器学习加速分析高镍层状

2、正极材料中掺杂影响锂镍混排的因素 研究背景研究背景 研究方法研究方法 研究结果研究结果Zheng*et al,JPCL 2024研究背景 Li/Ni混排是高镍层状正极材料的固有缺陷 可以通过调控该缺陷的程度来调控材料性能 掺杂是调控该缺陷的常用重要手段 缺乏对于掺杂元素影响反位难易在统一条件下的系统比较研究J.Phys.Chem.C 2021,125,1960019608Mo,AlLi/Ni 混排促进抑制？Journal of Power Sources 2013,244,2328 Journal of Power Sources 2007,174,730734Ceramics Interna

3、tional 2017,43,34833488Journal of Solid State Electrochemistry 2011,15,747751.研究方法:设计反位构型计算反位形成能=/AlNbCoRhCrScGaSnGeTiInVMgYMoZr 对于每一种掺杂元素，六种反位构型，计算反位形成能 选取部分掺杂元素中的另一11号Ni，计算验证，结果可靠灰色：Ni绿色：Li紫色：Mn红色：O蓝色：掺杂元素NMC811：LiNi0.8Mn0.1X0.1O2（X是掺杂元素）研究方法:描述符构造及结果拟合使用机器学习加速分析影响材料性能的复杂因素：根据经验及现有材料分析辅助工具，结合材料的特点

4、，构造尽可能多的描述符 做线性相关性分析，删去冗余的描述符，保留相关度较低的各个特征Self-defined Features:Electronic features:56,Structural features:44Distinct Features:Electronic features:11,Structural features:7Matminer Features:Magpie features:132,Deml features:80,Pymatgen features:45 发现：使用物理含义清晰且彼此相关性弱的描述符的预测性能更好npj Computational Materi

5、als 2(2016)16028研究方法:特征重要性分析特征之间相关性系数均低于0.5，相关性弱对Li/Ni反位缺陷影响显著的特征：掺杂元素价态、局部超交换作用强弱、键强变化等电子结构特征 键长变化、晶胞体积变化等晶体结构特征研究结果：电子结构影响掺杂元素价态升高，Ni元素价态降低，O磁矩增加局部构型超交换作用增强，反位更容易发现特征和可用作表征超交换强弱的指标，从而用来指示反位的难易研究结果：晶体结构影响对于同种掺杂元素的六种构型局部构型，探究晶体结构的影响，这避免了掺杂元素本身半径和X-O键长不同导致的对规律的掩盖发现反位带来的体积变化越剧烈，反位越困难。体积变化来自于键长的变化，键强的变

6、化也符合同一趋势物理驱动的机器学习突破多尺度仿真问题 计算方法计算方法第一性原理计算第一性原理计算经典势场经典势场体系大小体系大小105时间尺度时间尺度pss算法复杂度算法复杂度O(n3)O(n)准确度准确度精确粗糙计算速度计算速度慢快时间/空间尺度精确度可迁移性分子动力学第一性原理连续介质模型 当前多尺度模拟技术无法兼顾时间/空间尺度与精度宏观 介观 微观物理驱动的机器学习突破多尺度仿真问题 物理驱动的机器学习模型：精度高、效率高“物理驱动的机器学习模型”确保在任意两个尺度耦合上，既具备微观尺度模拟精度，又具备宏