多阴离子钠离子电池正极材料的原子尺度结构与离子动力学数据集：机器学习引导的高通量计算研究

本研究针对钠离子电池正极材料性能瓶颈，通过密度泛函理论(DFT)构建包含113,532个结构的综合数据集，涵盖NaTMPO4(橄榄石/铁锰矿)、Na2TMSiO4和Na2.56TM1.72(SO4)3（TM=Fe/Mn/Co/Ni）四类材料。团队开发机器学习(ML)驱动的分子动力学(MD)采样方法，成功将模拟时长扩展至2纳秒，为揭示Na+扩散机制提供关键数据支撑。

　　

在能源转型的浪潮中，钠离子电池因其原料丰富、成本低廉被视为锂电技术的重要补充。然而，钠离子较大的离子半径导致电极材料动力学性能不佳，特别是多阴离子正极材料虽具稳定性优势，却存在电子传导性差的核心瓶颈。丹麦技术大学（Technical University of Denmark）能源转换与存储系的Martin Hoffmann Petersen团队在《Scientific Data》发表突破性研究，通过构建迄今最全面的原子尺度数据库，为机器学习辅助设计高性能正极材料奠定基础。

研究团队采用四大关键技术：1）基于对称性枚举和随机采样的结构生成算法，系统探索Na/TM离子排列组合；2）结合Hubbard-U修正的DFT计算获取精确电子结构；3）开发"伪弛豫"策略控制过渡金属(TM)氧化态；4）集成主动学习(BAL)的机器学习势函数(PaiNN)实现纳秒级MD模拟。这些方法成功捕获了材料在非平衡态的动力学行为。

数据记录与验证

构建包含298,144个结构的数据库，其中113,532个含Bader电荷数据。通过图4所示的迭代训练验证，机器学习势函数(MLIP)的力场预测误差降低80%，能量误差降低90%。图5对比显示，ML驱动MD将模拟时长从AIMD的皮秒级提升至2纳秒，计算效率提高三个数量级。

构效关系解析

图6的凸包分析揭示Fe-Mn共掺体系的电压平台变化规律，证明对称枚举法可准确描述TM离子无序态。表1总结的TM^2+/3+氧化还原序与磁矩数据，为理解电荷补偿机制提供量化依据。

技术突破

开发的CURATOR框架（图3）实现自动化工作流：a）PaiNN模型训练；b）超胞MD模拟；c）t-SNE可视化特征空间；d）主动学习筛选关键构型。该方法使Na₂TMSiO₄等材料的扩散系数计算成为可能。

这项研究创建了首个涵盖多阴离子正极材料静态结构与动态行为的多维数据库，其创新性体现在：1）通过Ga³⁺标记法解决TM氧化态控制难题；2）建立MLIP精度验证标准（图4）；3）揭示高温下Na⁺迁移的构型相关性。数据集已开源共享，为加速新型电极材料开发提供关键基础平台，推动数据驱动的电池材料设计范式变革。