事件總覽：從 2023 年初至今，美國勞倫斯利佛摩國家實驗室（LLNL）透過高效能運算（HPC）與物理導向機器學習（Physics-Informed Machine Learning），成功加速了鈉離子與鋰離子電池材料的設計，打破傳統研發瓶頸。
📅 2023年03月：鈉離子電池的硬碳負極研究
在此之前，鈉離子電池的硬碳負極因其複雜的微觀結構而難以精確設計。LLNL 研究團隊利用高效能運算，模擬了鈉離子在硬碳材料中的運動，幾乎製作出了一部「原子級影片」。這部影片展示了鈉離子如何在碳材料的層間移動、附著表面或填入奈米孔中。
隨後，研究人員使用這些模擬資料訓練機器學習模型，將鈉離子運動分成八種不同狀態，並建立了微結構與離子傳輸之間的量化對照。研究發現，隨著碳密度與鈉負載的增加，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。
📅 2023年04月：鋰離子電池的電解質研究
隨後，LLNL 團隊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。研究人員利用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%，其關鍵在於陰離子如何圍繞鋰離子進行排列。
至今影響與未來展望
這兩項研究不僅為鈉離子和鋰離子電池材料的設計提供了新的工具，還有望成為未來高通量篩選平台的重要基礎。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。
從產業面來看，這種高效能運算與機器學習的結合，將大大縮短新型電池材料的開發時間，降低研發成本，並加速商業化進程。這將對電動車、儲能系統等領域帶來深遠影響。
如果你對電池技術的未來發展感興趣，不妨關注 LLNL 的後續研究，了解他們如何進一步優化這些方法，並應用於更多實際場景中。
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 的研究方法有哪些主要創新？
LLNL 的研究方法主要創新在於利用高效能運算（HPC）和物理導向機器學習（Physics-Informed Machine Learning）模擬電池材料的原子級動態，並建立量化模型，精確揭示材料結構與性能之間的關聯。
這些研究對電池行業有何影響？
這些研究將大大縮短新型電池材料的開發時間，降低研發成本，並加速商業化進程，對電動車、儲能系統等領域帶來深遠影響。
LLNL 的研究是否適用於其他電化學系統？
LLNL 的研究方法不僅適用於鋰、鈉電池，還可廣泛延伸至其他電化學系統，如多價電池化學體系。
※ 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。