突破設計瓶頸，LLNL 結合高效能運算與機器學習精準加速鋰、鈉電池研發
美國勞倫斯利佛摩國家實驗室（LLNL）近日公布兩項最新研究，成功運用高效能運算（HPC）結合物理導向機器學習（Physics-Informed Machine Learning），大幅加速電池材料的設計進程。這兩項研究分別聚焦於鈉離子電池的「碳負極」與鋰離子電池的「液態電解質」。
LLNL 研究團隊指出，電池材料的結構複雜性不應只是分析上的障礙，反而能轉化為設計優勢。
研究人員透過分子動力學模擬，建立材料在原子尺度上的動態變化，再藉由機器學習模型找出結構、化學組成與性能之間的關聯。這套方法將做為下一代儲能材料高通量篩選（High-throughput screening）的重要基礎。
▲ LLNL 研究人員結合分子動力學模擬與物理導向機器學習，精準揭示複雜電池材料中化學組成、微觀結構與運作行為的關聯。（Source：LLNL）
打造鈉離子傳輸的「原子級影片」
第一篇發表於《Energy Storage Materials》的論文探討了鈉離子電池，研究聚焦於目前最成熟的硬碳（Hard Carbon）負極。由於硬碳內部充滿無序的石墨烯樣片層、孔洞與空隙，鈉離子會在層間移動、附著表面或填入奈米孔中；這使其雖具備極高潛力，卻難以精準設計。
模擬原子動態：團隊利用 LLNL 的高效能運算，模擬原子在材料中的運動與交互作用，幾乎像是製做出鈉離子在碳材內擴散、聚集或被困住的「原子級影片」。
量化模型建立：研究人員隨後以這些模擬資料訓練模型，將鈉離子運動分成八種不同狀態，並建立微結構與離子傳輸之間的量化對照。
關鍵發現：研究發現，隨著碳密度與鈉負載增加，離子更容易聚集或卡在奈米孔中，這將直接影響電池的充放電速率與熱安全性。
從 3D 視角探索鋰電池電解質
另一項刊登於《EES Batteries》的研究，則將同樣的方法應用於鋰離子電池的電解質設計。由於溶劑、鹽類、添加劑與濃度的組合極多，傳統的「試錯法」難以全面篩選。
3D 分子構型：LLNL 團隊改以分子動力學生成真實的 3D 分子構型，再交由機器學習模型預測各種配置的統計穩定性。
整體排列是關鍵：研究指出，電化學穩定性取決於「整體分子集合」的排列，而不只是單一成分的總和；鹽類或溶劑種類與濃度的變化，都可能大幅改變預測的「穩定窗口」（Stability window）。
效能大突破：團隊甚至發現，將一種鋰鹽換成另一種後，穩定窗口可擴大達 57%，其關鍵就在於陰離子如何圍繞鋰離子進行排列。
研究人員表示，這套「分子動力學＋物理導向機器學習」的流程，可望成為未來的高通量篩選平台，將過去極度依賴試錯的電解質設計，轉變為以物理為基礎的探索方式。
LLNL 科學家 Sabrina Wan 指出，這類方法不僅有助於鋰、鈉與多價電池化學體系的材料發現，未來也可廣泛延伸至其他電化學系統中。
LLNL Combines HPC and Machine Learning to Accelerate Battery Design
With machine learning, LLNL researchers embrace the atomic-scale complexity of batteries
（首圖來源：Unsplash）