科學家用大數據輔助設計電極界面，構建囊括128個含氟有機分子的數據庫

當前，汽車產業正在全面推動新能源化發展。要想開發高安全性和長續航能力的新能源汽車，就需要在動力電池等關鍵技術上取得重大突破。

由金屬氧化物正極和石墨負極構成的傳統鋰離子電池，由於其固有的理論容量限制，已經難以滿足新能源汽車的進一步發展需求。因此，發展高比能量的鋰離子電池，成爲解決續航問題和實現低碳排放的關鍵。

在實現高比能量上，鋰金屬電池是較有前景的一類電池。在目前已知的電極材料中，鋰金屬具有最負電極電位（-3.040V vs.SHE）和極高的能量密度（3860mAhg -1 ）。

然而，鋰金屬負極存在安全性差（枝晶生長）和循環穩定性差等兩大關鍵不足。在電池循環過程中，鋰負極界面會形成固態電解質（SEI，Solid Electrolyte Interface）膜，而界面枝晶的生長以及相關副反應，與負極 SEI 界面膜的性質十分相關。

不均勻的 SEI 膜在電池循環中很容易破裂，從而造成電解液與負極直接接觸進而引發副反應。

此外，界面不均勻的結構會誘導表面負電荷的局部聚集。界面極化增強，則會讓界面離子濃度出現不均勻的分佈。

當電極電流密度增大時，負極形成的強負電場會在短時間內吸收大量鋰離子，導致鋰離子在界面發生局部沉積，從而加快枝晶生長進而引發電池安全問題。

基於此，研究人員聚焦金屬鋰負極界面穩定性和安全性的問題，通過大數據輔助設計電極界面的方法，提升了金屬鋰界面的穩定性，抑制了枝晶生長問題，促進了鋰金屬電池的產業應用。其還根據研究結果提供了一些分子設計的通用規則。

日前，相關論文以《數據驅動高穩定金屬鋰負極複合人工界面層智能設計》 （）發在 Matter， 張奇博士 是第一作 者，中國科學院深圳先進技術研究院教授和副教授擔任共同通訊[1]。

圖 | 相關論文（來源：Matter）

研究中，他們先是從 PubChem 數據庫中搜索含氟有機分子，然後對有機分子進行初步篩選。在篩選中，首先要快速自動化地抓取數據庫中的目標有機分子，其次要篩選數據庫中的含氟目標分子，再次要提取重要的有機分子物理化學特徵屬性從而自動排除非必要的屬性，最後要通過據處理模塊實現數據的準備、清洗、去重、轉換。

然後，他們基於機器學習的方法，構建模型並準確預測了離子遷移能壘。利用機器學習的方法，他們揭示了自組裝分子的結構特徵以及電子性質與人工界面層性能之間的構效關係。其中，分子的 QM 偶極矩和靜電勢被確定可以作爲關鍵描述符用來預測鋰離子的遷移能壘。

接着，他們使用高通量的方式，來篩選性能優異的含氟有機分子。其中所使用的高通量數據驅動工作流程，融合了密度泛函理論和機器學習方法。

篩選流程包含自組裝分子結構特徵、分子的電化學穩定性、化學穩定性和離子導電性等篩選準則。基於這些篩選準則，可以從 PubChem 數據庫中，自動地捕獲性能優異的含氟有機分子。

研究人員表示：“這種新的研究範式加速了最優含氟有機分子的篩選進程，僅僅通過數據驅動就能實現鋰金屬負極人工界面層設計與構築。”

最後，他們建立了含氟有機分子數據庫，該數據庫由 128 個含氟有機分子組成的。同時，他們還推薦了 8 種性能優異的分子，這些分子可以構建鋰金屬負極表面有機-無機人工界面層。

其中：內層無機層，可以提高鋰金屬負極的穩定性和離子導電性；外部有機層，則可以提供豐富的三維多孔通道，促進鋰離子的均勻擴散，並能誘導鋰的均勻沉積，以及抑制枝晶的生長。

對於本次論文，三位審稿人均表示認可。其中：

第一位審稿人表示：“作者使用機器學習方法來篩選具有不同頭部基團和尾部基團的含氟有機分子，從而構建複合人工界面層，並選擇含氟基團來建立 Li-F 保護層，藉此誘導分子長程有序地組裝在鋰金屬表面，進而實現了高性能複合負極的智能構築。”

第二位審稿人表示：“作者提出了一種新穎的組合型計算方法和工作流程，從而來計算有機分子的電化學性質，通過構建機器學習模型來預測鋰離子在界面層中的遷移能壘，藉此評估了含氟有機分子在鋰金屬表面形成的有機無機複合界面層的機械性能。”

這位審稿人還表示，該團隊對 2400 種分子進行高通量篩選，並找到 8 個有潛力的候選有機分子，這能用於改進鋰金屬電池人工界面層的電化學性能，以及在鋰金屬負極上構建複合人工界面層。預計這種複合人工界面層將擁有低擴散勢壘和高機械穩定性的優勢。

第三位審稿人表示：“該研究提出了一種高通量工作流程，其將量子計算模擬方法和機器學習相結合，來預測和篩選含氟有機自組裝分子，並將其用於在鋰金屬負極表面創建無機-有機人工界面層。作者還利用機器學習描述符闡明瞭理想有機分子頭部基團、中間基團和尾部基團結構特徵與擴散勢壘之間的結構-性能關係。”

圖 | 本次論文的共同通訊作者彭超（來源：）

未來幾年內，該成果可能具有以下潛在應用：

其一，用於鋰金屬電池改進。如前所述，本次提出的高通量工作流程和機器學習方法，可用於篩選和設計穩定的複合人工界面層，因此有望用於改善鋰金屬電池的性能。

其二，用於設計其他電池的體系。此次研究所使用的方法和工作流程也能適用於其他類型的電池系統，比如鋰離子電池、鈉/鋅離子電池和固態電池。通過篩選和設計適合特定電池系統的自組裝分子層，就可以改善上述幾類電池的穩定性和性能。

其三，可用於打造燃料電池。類似的方法也能用於燃料電池等其他電化學應用設備，比如用於改善電解器的電解效率和穩定性，以及改善燃料電池的催化性能和壽命。

其四，可用於材料設計和發現。該研究所採用的數據驅動材料發現方法，也可以擴展到其他材料領域。通過結合計算模擬和機器學習方法，就能加快新材料的發現過程，併爲材料設計提供指導。

總的來說，該成果的潛在應用涵蓋鋰金屬電池改進、其他電池系統的設計、以及材料設計和發現等領域，很有希望爲電化學能源存儲和轉換領域帶來技術新發展。

接下來，研究人員將繼續從實驗層面製備並組裝電池，以對其實用性進行研究。另外，他們也將從理論層面繼續優化現有的界面層模型。

參考資料：

1.Zhang, Q., Zhou, C., Zhang, D., Kramer, D., Peng, C., & Xue, D.（2023）. Data-driven discovery and intelligent design of artificial hybrid interphase layer for stabilizing lithium-metal anode.Matter, 6（9）, 2950-2962.

運營/排版：何晨龍