机器学习势函数解析离子导体中的氧离子与质子传输机制

《npj Computational Materials》：Elucidating oxide-ion and proton transport in ionic conductors using machine learning potentials

本研究针对低温固态氧化物燃料电池(SOFC)开发中离子传输机制不明确的瓶颈，采用被动与主动学习策略构建了Ba7Nb4MoO20和Sr3V2O8的矩张量势函数(MTP)。结果表明，MTP在保持密度泛函理论(DFT)级别精度的同时，将分子动力学模拟尺度拓展至纳米级，首次揭示了Ba7Nb4MoO20的二维氧离子扩散优势及其低活化能(0.35 eV)机制，为下一代固态电解质设计提供了高效计算工具。

　　

在追求可持续能源解决方案的浪潮中，固态氧化物燃料电池(SOFC)因其高效率和低排放特性备受关注。然而，其商业化面临一个关键挑战：传统SOFC需在800°C以上高温运行，导致材料老化加速和成本攀升。若能在600°C以下实现高效运行，将大幅拓宽其应用场景。这一目标的核心在于理解并优化电解质材料中的离子传输行为——尤其是氧离子和质子的协同迁移机制。

以往研究虽通过第一性原理分子动力学(AIMD)模拟揭示了部分机理，但其计算成本极高，难以模拟大体系或长时程过程，使得模拟与实验数据间存在鸿沟。以Ba₇Nb₄MoO₂₀和Sr₃V₂O₈为代表的复杂氧化物虽展现出优异离子电导率，但其原子尺度动态行为仍未被充分解析。

发表于《npj Computational Materials》的最新研究通过机器学习势函数突破了这一局限。研究团队开发了针对上述两种材料的矩张量势函数(MTP)，在保证精度的同时将计算效率提升数个量级，首次实现了千原子尺度、纳秒级的高精度离子传输模拟。

关键技术方法概述

研究结合被动学习（从AIMD采样1,200组初始构型）与主动学习（通过 extrapolation grade γ≤2 阈值筛选补充训练数据），采用MLIP-3包构建Level-16 MTP。利用LAMMPS进行NPT/NVT系综分子动力学模拟，通过均值平方位移(MSD)和能斯特-爱因斯坦方程计算扩散系数与电导率，并采用爬坡图像弹性带(NEB)方法量化迁移势垒。

研究结果

验证MTPs

MTP与DFT计算的力、能量和应力误差均低于基准值（如Sr₃V₂O₈原子能量误差<3 meV/atom）。力相关性分析显示RMSE为0.149 eV/?（Ba₇Nb₄MoO₂₀）和0.114 eV/?（Sr₃V₂O₈），与DFT高度一致。晶格参数与力学性质预测误差在可接受范围内，如Ba₇Nb₄MoO₂₀体积模量DFT值为80.74 GPa，MTP值为79.14 GPa。

7Nb₄MoO₂₀中O5-O5迁移路径（图3b）；b Sr₃V₂O₈中O2-O1迁移路径（图3e）。'>

氧离子与质子传输

Ba₇Nb₄MoO₂₀的氧离子扩散呈现显著各向异性，a-b面MSD为c轴方向的4倍，主要通过O1/O2位点间隙机制实现二维传输。其氧离子电导活化能仅0.35 eV，显著低于Sr₃V₂O₈的0.45 eV。质子传导方面，Ba₇Nb₄MoO₂₀活化能（0.40 eV）仍低于Sr₃V₂O₈（0.44 eV），实验测得500°C时质子电导率达4.0×10^?3 S/cm。Sr₃V₂O₈则通过O1-O2（0.50-0.82 eV）与O2-O2（0.45-0.50 eV）路径形成三维扩散网络。

7Nb₄MoO₂₀与Sr₃V₂O₈的氧离子（a）和质子（b）电导率阿伦尼乌斯曲线。'>

结论与意义

该研究证实MTP能精准复现DFT级别的迁移势垒（如O5-O5路径误差仅0.009 eV）与长程离子传输行为，其计算效率支持对复杂氧化物进行高通量筛选。Ba₇Nb₄MoO₂₀的层状棕榈石-钙钛矿结构及其部分占位氧位点（O1/O2）被揭示为低能垒传输的关键，为设计新型电解质提供了结构功能关联范式。这一方法有望加速下一代中低温SOFC材料的开发，推动机器学习势函数在能源材料领域的广泛应用。