人工智能辅助发现低锂离子浓度的固态超离子导体

《Cell Press Blue》：Discovering solid-state superionic conductors with low Li-ion concentration assisted by artificial intelligence

　　

摘要：超离子导体（superionic conductors, SICs）对于固态锂离子电池至关重要，然而其实际应用受到高锂离子浓度的阻碍，因为高锂离子浓度会增加非活性锂和电池成本。在此，研究人员开发了一种人工智能驱动的发现框架，该框架整合了大语言模型和图神经网络，以加速SIC的设计。大语言模型GPT-4o从465篇经同行评审的研究中提取关键输运参数，确定氧卤化物为有前景的候选材料。构建了跨越230个空间群的69,920种氧卤化物的材料空间，并使用图神经网络预测离子电导率。对锂离子质量浓度和体积浓度分别低于3.05 mol kg^?1和11.49 mol L^?1，且离子电导率高于10 mS cm^?1的化合物进一步通过从头算分子动力学模拟进行验证。值得注意的是，LiMoOBr₄表现出低锂离子浓度（2.28 mol kg^?1）和高离子电导率（13.53 mS cm^?1）。这项工作加速了用于电池应用的先进SIC的设计。

以下是论文主体内容的解读文章：

**研究背景与问题**

锂离子电池（lithium-ion batteries, LIBs）已在现代社会得到广泛应用，但传统LIBs受限于约350 Wh kg^?1的实际能量密度上限，且易燃液体电解质带来安全隐患。固态锂离子电池（solid-state LIBs, SSLIBs）通过使用高容量锂金属负极和非易燃无机锂超离子导体（superionic conductors, SICs）替代有机电解质，为同时提升能量密度和安全性提供了可行路径。设计具有室温离子电导率（σ_RT）超过0.1 mS cm^?1并与高容量电极兼容的先进SICs是构建实用SSLIBs的核心课题。近年来，研究者已在提升SICs离子电导率方面取得显著进展，例如Li₁₀GeP₂S₁₂、Li_9.54Si_1.74P_1.44S_11.7Cl_0.3等材料的σ_RT已达到10–32 mS cm^?1。然而，这些SICs的锂离子浓度远高于商业液体电解质。以Li₁₀GeP₂S₁₂为例，其质量锂离子浓度约为16.98 mol kg^?1，而商业液体电解质（1.0 mol L^?1 LiPF₆溶于碳酸乙烯酯/碳酸甲乙酯混合溶剂）仅为约0.80 mol kg^?1。在SSLIB中，约40%的锂被用于SICs但对锂离子输运贡献很小，而液体电解质中该比例仅为约2%。因此，除了提高离子电导率，降低锂离子浓度这一此前很少被考虑的策略对于降低成本、缓解锂资源依赖具有重要意义。然而，根据能斯特-爱因斯坦方程，离子电导率与载流子浓度线性相关，这导致提高电导率与降低锂浓度之间存在固有矛盾。新兴的人工智能（artificial intelligence, AI）方法可基于材料和计算数据库（如Materials Project和ICSD）扩展探索空间，为高效设计先进SICs提供了新机遇。

**研究内容与结论**

研究人员提出了一种集成大语言模型（large language model, LLM）和图神经网络（graph neural network, GNN）的AI驱动框架，以加速探索低锂离子浓度的SICs。首先，利用GPT-4o从465篇论文中提取数据，构建了包含335种材料结构及对应离子电导率的数据集；随后训练GNN模型建立结构-性能关系，获得1.33 mS cm^?1的低平均绝对误差（mean absolute error, MAE）。基于数据分析发现氧卤化物兼具高离子电导率和低锂离子浓度，研究人员使用扩散模型生成了69,920种氧卤化物结构（覆盖230个空间群，锂浓度低于Li₃Ta₃O₄Cl₁₀的3.05 mol kg^?1和11.49 mol L^?1）。经过综合考虑凸包能量（energy above convex hull, E_hull）和离子电导率的高通量筛选，LiMoOBr₄被选为潜在SIC候选材料，其300 K外推离子电导率（σ_{300 K}）经从头算分子动力学（ab initio molecular dynamics, AIMD）模拟计算为13.53 mS cm^?1。研究结论表明，这种集成AI方法能够高效发现低锂离子浓度的氧卤化物SICs，从而促进SSLIBs的实际应用。该论文发表在《Cell Press Blue》。

**主要技术方法**

本研究涉及以下关键技术方法：（1）基于检索增强生成（retrieval-augmented generation, RAG）的LLM数据提取，从465篇论文中提取SICs的激活能和σ_RT数据；（2）GNN建模，将晶体结构转换为原子图和键图，预测离子电导率；（3）扩散模型（MatterGen）用于生成未在ICSD中出现的候选晶体结构；（4）CHGNet预测总能量并基于pymatgen和MP数据库计算E_hull评估相稳定性；（5）AIMD模拟（Vienna Ab-initio Simulation Package, VASP）计算离子电导率和迁移机制。数据来源包括Web of Science检索的文献和ICSD结构数据库。

**研究结果**

**1. 用于设计新型SICs的AI框架**
AI工作流包含三部分：构建离子电导率数据集、训练回归模型探索结构-性能关系、发现新SICs。数据集构建中，收集465篇晶体SICs论文，通过定制查询提取结构信息、激活能和离子电导率。采用RAG减少LLM幻觉，将相似块和增强提示输入GPT-4o生成表格式数据。回归模型训练中，从ICSD或扩散模型获取晶体结构，596种周期结构的图表示用于开发GNN模型。筛选中，以σ_RT >10 mS cm^?1且质量/体积锂浓度分别<3.05 mol kg^?1和11.49 mol L^?1为条件，从大规模结构中筛选候选，并用AIMD验证。

**2. SIC数据库的数据驱动分析**
采用人工构建的真实数据验证LLM提取质量。GPT-4o在提取任务中表现出高准确率、精确率、召回率和F1分数。激活能和σ_RT的提取准确率分别为85.27%和78.92%，激活能召回率为81.46%，其余指标均超过85%，证明LLM框架的稳健性。σ_RT提取准确率较低归因于文献中频繁的σ_RT引用，激活能召回率低源于原文中隐含或间接报告。数据集中实验离子电导率范围为10^?8–41 mS cm^?1，激活能范围为0.09–0.97 eV。硫化物平均离子电导率最高（4.31 mS cm^?1），氧化物和卤化物分别为0.60和1.11 mS cm^?1。氧卤化物作为卤化物子类，平均电导率与硫化物相当。离子电导率>10 mS cm^?1的材料中，Li_0.31Ag_0.69CrS₂和Li₃Ta₃O₄Cl₁₀的锂浓度分别为1.61和3.05 mol kg^?1。氧卤化物体积锂浓度较低，如LiNbOCl₄为6.45–8.70 mol L^?1。

**3. 通过GNN进行目标SIC筛选**
基于上述数据集训练GNN模型，采用基展开、嵌入层、卷积块和输出层架构。训练目标值分别定义为各化合物电导率的平均值或最大值。经超参数优化，最优GNN模型（学习率0.001，Adam优化器）在测试集上获得1.33 mS cm^?1的低MAE。为扩展搜索空间，根据电中性原理选择卤化物中常见的非锂阳离子，生成潜在氧氯化物和氧溴化物。从208种生成化学式中选出19种锂浓度低于Li₃Ta₃O₄Cl₁₀的化学式，用扩散模型为每种化学式和空间群生成16种结构，共产生69,920个候选。经CHGNet和pymatgen计算E_hull，E_hull <0.07 eV atom^?1的856个结构被视为稳定。未包含在训练集中的LiNbOCl₄预测电导率为9.89 mS cm^?1，与实验值10.7 mS cm^?1接近，验证了方法的稳健性。排名前五的结构均为LiMoOBr₄化学式，但空间群不同（P4/mnc、P23、Pm、P6422、C2/m），形成能均为约?1.62 eV atom^?1。LiMoOBr₄的体积锂浓度为7.14 mol L^?1，低于Li₃Ta₃O₄Cl₁₀。

**4. AIMD验证**
对候选材料LiMoOBr₄进行AIMD模拟，从均方位移曲线获得扩散系数。在600–1400 K温度范围内，Li离子示踪扩散率的相对标准差为16%–36%，表明拟合合理性。LiMoOBr₄的激活能为0.22 eV，外推σ_{300 K}为13.53 mS cm^?1，锂离子浓度为2.28 mol kg^?1。该电导率超过常规液体电解质，与最先进的氧卤化物Li₃Ta₃O₄Cl₁₀（σ_RT=11.00 mS cm^?1，激活能0.24 eV）相当，且锂浓度是近期报道氧卤化物中最低的。轨迹分析显示，1,000 K下的锂离子概率密度呈现三维扩散网络，由相互连接的迁移笼组成。高等值面下短程笼内扩散占主导，相邻笼间连接促进笼间扩散，但长程笼间扩散较慢，是离子传导的限速步骤。Van Hove相关函数分析表明，Li离子先在笼内自由移动，随后迁出笼完成笼间扩散。Li–Mo相关分析中未观察到Li–Mo距离持续增加，与空位介导的扩散机制一致——离开的Li离子迅速被相邻位点的另一Li离子替代。

**讨论与结论总结**

讨论部分指出，尽管氧卤化物SICs因出现较晚而报道数量有限，但其平均离子电导率已与硫化物电解质相当，说明氧卤化物具有内在输运优势。更重要的是，氧卤化物能同时实现高离子电导率和低锂离子浓度，这在传统硫化物和氧化物体系中很少实现，表明氧卤化物可能通过组分和结构调控解耦离子迁移率与锂离子密度，从而克服限制SSLIB性能的长期权衡。GNN识别的LiMoOBr₄进一步验证了这一优势。已报道氧卤化物、卤化物、硫化物和氧化物的质量锂浓度分别为3.70±0.45、7.19±4.13、16.20±5.30和11.19±9.31 mol kg^?1，体积浓度对应为8.23±1.24、16.30±7.66、33.37±8.62和35.21±21.60 mol L^?1。LiMoOBr₄的质量和体积锂浓度分别为2.28 mol kg^?1和6.79 mol L^?1，是σ_RT超过10.0 mS cm^?1的近日报道SICs中最低的。观察到的快速离子输运与空位介导机制一致，为低锂浓度如何与高电导率共存提供了原子级解释。机械化学球磨是合成氧卤化物的常用策略，合成LiMoOBr₄可选用MoOBr₃和LiBr为前驱体，与氢氧化物辅助路线相比可减少腐蚀性卤化氢释放。稳定性方面，阴离子框架的抗氧化稳定性顺序为氯化物>氧化物>硫化物，还原稳定性为氧化物>硫化物>氯化物，湿气稳定性为氧化物>氯化物>硫化物。将氧引入卤化物框架可保持卤化物SICs的正极兼容性，同时提高σ_RT至接近10 mS cm^?1并改善湿气稳定性。局限性方面，尽管氧卤化物中M–O键增强，高价中心金属在与锂金属负极直接接触时仍可能发生部分还原，实际应用中可与Li₆PS₅Cl等额外耐还原SICs组合形成混合电解质结构。研究结论：氧卤化物是用于SSLIBs的多功能且具战略意义的材料平台。这项研究展示了将AI引导筛选与基本机理理解相结合可加速识别同时满足多重性能约束的材料，有望重塑SIC设计格局，为兼顾效率、成本和可扩展性的储能技术开辟新方向。