据外媒报道，来自斯科尔科沃理工学院（Skoltech）和AIRI研究所的研究人员展示了机器学习如何加速固态锂离子电池新材料的开发。这是一种新兴的储能技术，理论上可以取代电动汽车和便携式电子设备中的传统锂离子电池，从而降低火灾风险并延长电池寿命。

图片来源： 期刊《npj Computational Materials》

相关研究论文发表在期刊《npj Computational Materials》上。该研究表明，神经网络能够识别出这些先进电池的关键部件——固体电解质——及其保护涂层的有前景的材料。

与传统电池一样，固态电池也包含电解质，携带电荷的离子通过电解质从一个电极移动到另一个电极。传统电池的电解质是液体溶液，而固态电池，顾名思义，依靠陶瓷等固体电解质来传导锂离子。

目前，固态电池尚未被汽车制造商采用，但电动汽车开发商希望抢在竞争对手之前充分利用这项技术。这种新型储能技术可以提高防火安全性，并将电动汽车续航里程提升高达50%。

问题在于，目前市面上没有一种固体电解质能够满足所有技术要求。因此，对新材料的探索仍在继续。

“我们证明了图神经网络可以识别具有高离子迁移率的新型固态电池材料，并且比传统的量子化学方法快几个数量级。这可以加速新型电池材料的开发，正如我们通过预测固态电池电解质的多种保护涂层所证明的那样。”该研究的主要作者、Skoltech材料科学与工程专业的博士生、Skoltech Energy研究实习生、AIRI研究所初级研究员Artem Dembitskiy评论道。

该研究的合著者、Skoltech Energy助理教授Dmitry Aksyonov解释了保护涂层的作用：“阳极的金属锂是一种强还原剂，因此几乎所有现有的电解质在与其接触时都会发生还原反应。阴极材料是一种强氧化剂。当被氧化或还原时，电解质会失去其结构完整性，从而降低性能，甚至导致短路。可以通过引入两层保护涂层来避免这种情况，这些涂层可以稳定地与阳极和电解质以及阴极和电解质接触。”

机器学习算法可以加速离子电导率的计算，离子电导率是电解质和保护涂层的关键特性。它是候选材料筛选过程中最具计算挑战性的特性之一。

对于保护涂层，在材料选择的各个阶段需要检查的特性包括热力学稳定性、电子电导率、电化学稳定性、与电极和电解质材料的相容性、离子电导率等等。这种筛选分阶段进行，逐渐将数万种初始选项的范围缩小到仅剩的几种材料。

该研究的作者利用机器学习加速方法，寻找能够保护最有前景的固态电池电解质之一Li10GeP2S12的涂层材料。研究发现了多种有前景的涂层材料，其中包括化合物Li3AlF6和Li2ZnCl4。