清华大学化工系张强

xiuxing

鉴于在二次锂离子电池的电解液分子模拟与机器学习领域取得的重要成果，化工系张强教授团队近日受国际最权威的化学综述类科技期刊《化学评论》（Chemical Reviews）邀请，就应用分子模拟与数据科学方法进行二次电池电解液研究这一主题，发表了《应用经典、从头算和机器学习分子动力学模拟进行二次电池液态电解液的研究》（Applying Classical, Ab Initio, and Machine-Learning Molecular Dynamics Simulations to the Liquid Electrolyte for Rechargeable Batteries）综述论文。该综述总结了经典、从头算和机器学习三类分子动力学模拟方法的基本原理和最新理论进展，梳理了近年来采用分子动力学（MD）模拟方法探究电解液微观结构、电解液宏观性质以及电解液与电极界面反应机制的相关工作，并指出新兴的机器学习技术与MD模拟方法结合，是未来有望解决MD方法和电解液研究面临的问题和挑战，加速二次电池电解液的开发设计的重要的发展方向。

分子动力学模拟方法（MD）在研究电解液结构、电解液性质和电解液–电极界面反应中的应用

        构建以清洁、可再生能源为主体的能源体系是实现可持续发展的必经之路，以二次电池为代表的储能器件则在其中扮演着连接发电源头与终端需求的重要角色。电解液作为二次电池的一大组成部分，直接影响电池的安全性、稳定性、快充性能和循环寿命等，因此始终受到广泛的研究和关注。而计算机科学技术的飞速进步促进了基于基本物理和化学理论的分子模拟方法以及机器学习、深度学习等数据科学方法的发展与应用。分子模拟方法能够从电子、原子和分子层面揭示微观机理、解释宏观现象，而数据科学方法则具备从实验与计算模拟结果中进一步挖掘信息的能力，两者正日益成为电解液研究中不可或缺的手段。
        将MD模拟方法用于研究电解液组成和电极性质的变化对电解液中各组分相互作用的影响，并进一步与离子导率和化学稳定性等宏观物化性质关联，指导设计有利的电解液结构。除了给出坐标演化以分析电解液的结构，MD模拟还包含原子电荷和模拟体系的温度、压力和能量信息，诸多理论模型能够基于以上信息和相应的统计分析导出熔沸点、介电常数和黏度等电解液的重要物化性质。MD方法一方面助力了在原子和分子层面上深入理解这些宏观性质，另一方面可以进行高通量计算，或与新兴的机器学习方法相结合进行电解液性质预测，高效获取电解液性质，优化电解液配方。另外，电解液还作为连接正、负极的桥梁与电极接触、构成通路，因此两者界面处发生的反应以及界面稳定性也直接影响电池性能。这就要求进一步从宏观角度拓展原本具有微观优势的MD模拟方法，包括模型建立、计算效率以及与宏观尺度的关联等。MD模拟与机器学习技术的结合将是解决上述问题的重要途径，有望推动对化学机理的更深入理解及促进高性能电解液以及其他材料体系的开发进程。
         前期，化工系张强团队在锂电池电解液领域结合多尺度模拟与实验表征方法，提出并发展离子–溶剂化学理论，在分子层面上揭示了电解液与负极间化学反应机制（Angew. Chem. Int. Ed. 2018, 57, 734–737; J. Am. Chem. Soc. 2022, 144, 212−218），为电解液的理性设计提供了重要理论参考；提出了氟代碳酸乙烯酯、阳离子添加剂等重要电解液设计策略，构筑了稳定的金属锂负极（Adv. Funct. Mater. 2017, 27, 1605989; Chem 2020, 6, 2242–2256）；发展了电解液电解常数、粘度等计算方法和机器学习模型，构建电解液基础物理化学性质数据，为电解液工程的实施打下了坚实的基础（Angew. Chem. Int. Ed. 2021, 60, 21473–21478; Angew. Chem. Int. Ed. 2021, 60, 24354–24366）。
         该综述文章的第一作者为化工系2019届博士生姚楠, 通讯作者为张强教授和陈翔博士。上述工作得到了国家自然科学基金、国家重点研发计划、北京市自然科学基金、中国博士后科学基金、中国科协青年人才托举工程、清华大学国强研究院等项目的支持。
         论文链接：https://pubs.acs.org/doi/10.1021/acs.chemrev.1c00904