结构化电极逆向设计新范式：高通量相场建模与机器学习融合抑制锂枝晶生长

本研究针对锂金属电池中枝晶生长失控问题，通过相场模型模拟枝晶演化机制，结合高通量仿真与机器学习（如遗传算法和深度神经网络），建立了结构-性能映射关系，实现电极/隔膜结构的单目标与多目标逆向优化，为高性能电池设计提供数据驱动新范式。

　　

锂金属（Lithium metal）作为下一代电池的理想负极材料，因其不可控的枝晶（dendrite）生长问题严重制约实际应用与长期稳定性。通过电极和隔膜（separator）的结构化设计可有效调控枝晶形成。本研究采用相场模型（phase-field model）在恒电流（galvanostatic）条件下模拟枝晶演化过程，从介观尺度揭示沉积动力学机制。研究人员设计了一系列结构化电极与隔膜几何构型，并通过高通量模拟（high-throughput simulations）捕获充电过程中的动态行为，构建了关联结构特征与电池性能指标（如容量、寿命）的完整数据集。基于该数据集，训练并评估了多种机器学习回归模型以提取结构-性能的预测关系。为实现逆向设计（inverse design），进一步利用深度神经网络（deep neural networks）扩充数据集，并结合遗传算法（genetic algorithms）等优化算法，开展了单目标与多目标场景下的结构优化。该框架显著提升了锂金属电池架构的设计效率。本研究开创了融合相场建模、高通量模拟与机器学习的数据驱动范式，为抑制枝晶和提升电池性能的结构化电极/隔膜理性设计提供了新思路。