综述：用于电池材料的机器学习原子间势能：从基础方法到电极、电解质及界面的新兴应用 开放获取

《Physical Chemistry Chemical Physics》：Machine-Learned Interatomic Potentials for Battery Materials: From Fundamental Methodology to Emerging Applications in Electrodes, Electrolytes, and InterfacesOpen Access

　　

电池技术迅速扩展到传统锂离子电池系统之外，迫切需要能够应对日益复杂的材料和界面的预测性原子级模拟工具。虽然第一性原理计算在阐明基本性质（如氧化还原电位、相稳定性和离子扩散）方面发挥了核心作用，但其计算成本严重限制了可处理的系统尺寸和时间尺度。因此，在大尺度现象（包括缺陷介导的传输、界面反应和中观结构演化）方面，纯粹依赖第一性原理框架仍然面临很大挑战。机器学习原子间势（MLIPs）近期作为一种变革性方法出现，在量子力学精度和大尺度分子动力学模拟之间架起了桥梁。通过学习第一性原理参考数据，MLIPs能够实现能量、力和应力的有效预测，同时保持与第一性原理计算相当的精度。在本综述中，我们系统地概述了基于描述符模型（手工设计和可学习描述符）和机器学习算法选择的MLIP方法。我们还考察了它们在电池材料研究中的日益增长的影响，涵盖电极、固态电解质及其界面。MLIP的发展为模拟离子传输、缺陷化学和界面反应性开辟了新可能，适用于多种化学体系，包括全固态电池和/或Li、Na、K及多价体系。最后，我们讨论了当前的局限性、验证策略，以及迈向稳健、通用MLIP框架的未来方向，这些框架能够加速下一代电池材料的发现和理性设计。

此内容仅可通过PDF获取。

打开 PDF《机器学习原子间势用于电池材料：从基础方法到在电极、电解质和界面中的新兴应用》PDF 在新窗口中

? 2026 作者。由皇家化学会代表所有权社出版

2026

作者

本文根据知识共享署名4.0 国际许可协议授权。您可以在其他出版物中使用本文内容，无需向RSC申请额外许可，但需给予正确的署名。

本文根据 知识共享署名4.0国际许可协议 授权。