一句話總結：美國勞倫斯利佛摩國家實驗室（LLNL）利用高效能運算與物理導向機器學習，大幅加速鋰、鈉電池材料的設計，破解複雜結構帶來的瓶頸。
核心要點
- LLNL 通過高效能運算和物理導向機器學習，加速電池材料設計。
- 鈉離子電池：模擬硬碳負極的原子動態，建立離子傳輸模型。
- 鈉離子聚集：碳密度與鈉負載增加，離子更容易聚集或卡在奈米孔中。
- 鋰離子電池：利用 3D 分子構型，預測電解質的統計穩定性。
- 穩定窗口擴大：更換鋰鹽種類，穩定窗口可擴大達 57%。
破解複雜結構的瓶頸
美國勞倫斯利佛摩國家實驗室（LLNL）近期公布的兩項研究，成功運用高效能運算（HPC）結合物理導向機器學習（Physics-Informed Machine Learning），破解了電池材料設計中的複雜結構瓶頸。這兩項研究分別針對鈉離子電池的「碳負極」和鋰離子電池的「液態電解質」，展現了高效能運算和機器學習在電池材料設計中的巨大潛力。
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，探討了鈉離子電池中硬碳負極的複雜結構。硬碳內部充滿無序的石墨烯樣片層、孔洞與空隙，使得鈉離子在層間移動、附著表面或填入奈米孔中。研究團隊利用 LLNL 的高效能運算，模擬原子在材料中的運動與交互作用，幾乎像是製作出鈉離子在碳材內擴散、聚集或被困住的「原子級影片」。隨後，研究人員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。
關鍵發現是，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。傳統的「試錯法」難以全面篩選溶劑、鹽類、添加劑與濃度的組合。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。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」。
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。
從產業面來看，LLNL 的這兩項研究不僅為鋰、鈉電池材料的設計提供了全新的方法，還有望將這些技術應用到更廣泛的電化學系統中，加速下一代儲能材料的開發。這對於提升電池性能、降低成本具有重要意義。
一句話結論
LLNL 的研究通過高效能運算和物理導向機器學習，破解了電池材料設計中的複雜結構瓶頸，為下一代儲能材料的開發奠定了堅實基礎。
行動呼籲
面對電池技術的快速發展，你是否對未來的儲能材料充滿期待？不妨進一步了解 LLNL 的研究成果，思考它們如何影響你所關注的領域。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
LLNL 是什麼機構？
LLNL 是美國勞倫斯利佛摩國家實驗室，主要從事科學研究和技術開發。
這兩項研究的主要發現是什麼？
這兩項研究主要發現了鈉離子在硬碳負極中的傳輸機制，以及鋰離子電池電解質的穩定性受分子排列的影響。
這些研究有哪些實際應用？
這些研究可以加速鋰、鈉電池材料的設計，提高電池的充放電速率和熱安全性，未來有望應用於更多電化學系統中。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
