近日，来自美国能源部(DOE)布鲁克海文国家实验室和石溪大学(SBU)的一组科学家，借助人工智能(AI)深入探究锌离子电池的工作原理，旨在提高其效率，以满足未来能源存储需求。相关研究成果发表于《PRX Energy》杂志。

该研究聚焦于充电和使用过程中，带电锌离子在可充电电池水基电解质中的穿梭情况。研究团队构建的人工智能模型，分析了带电离子在不同浓度氯化锌(ZnCl₂，一种在水中溶解度较高的盐)下与水的相互作用。其研究结果经布鲁克海文实验室国家同步加速器光源 II(NSLS-II)的实验验证，揭示了高盐浓度可产生最佳电池性能的原因。

布鲁克海文实验室跨学科科学系(ISD)主任兼斯坦福大学威廉和简·纳普能源与环境系主任Esther Takeuchi表示：“人工智能是促进科学进步的重要工具。该团队的研究提供了一个范例，展现了通过结合实验和理论，并借助人工智能技术获得洞见。”

ISD储能部门经理兼SBU化学教授Amy Marschilok补充道：“这项研究有助于推动用于大规模储能的坚固锌离子电池的开发。这些电池对于弹性能源应用尤其具有吸引力，因为其水基电解质本身安全，而且制造它们的材料丰富且价格实惠。”

领导此项研究的布鲁克海文实验室功能纳米材料中心(CFN)理论与计算组科学家Deyu Lu解释，与所有电池一样，锌离子电池将化学反应产生的能量转化为电能。然而，竞争性化学反应，如分解水分子并产生氢气的反应，会严重降低电池性能。先前研究发现，在一种特殊的氯化锌电解质(盐浓度极高，被称为“水包盐”，与更常见的“盐包水”电解质形成对比)中，水分解会受到抑制。为弄清高盐版本效果更好的原因，研究团队想要捕捉原子尺度的细节，即锌离子和氯离子在不同盐浓度下如何移动并与水相互作用，以及这如何影响电解质的电导率。

但观察这些原子级细节极具挑战性，传统计算技术难以实现。传统模拟方法无法以所需精度处理大量原子相互作用，捕捉此类系统演化的时间尺度，且需要巨大计算能力，耗时可能长达数年。

因此，研究团队采用了一种由人工智能视觉增强的计算机建模方法。他们使用常规模拟生成少量模拟数据(称为“训练集”)，并将其输入到AI程序中。所用计算资源来自CFN理论与计算设施(美国能源部科学办公室用户设施)以及布鲁克海文实验室计算与数据科学理事会(CDS)内的科学计算与数据设施。

论文第一作者、CDS的曹春田称：“我们需要通过计算少量相互作用来收集一些数据，以启动初始模型的训练过程。然后，运行该模型生成更多数据，以继续改进模型的预测。”

每一步，科学家们都会将结果通过一组机器学习(ML)模型进行运行，以评估预测是否准确。Deyu Lu将这个过程比作打电话给几个朋友，让他们帮忙回答电视游戏节目《谁想成为百万富翁》中的问题，若朋友们/模型都同意，那么预测就很有可能准确。

不过，当曹春田发现机器学习模型集合中某些预测存在很大偏差时，他们会回到常规计算来获得正确答案，并将新的修正数据点添加回训练数据中，以进一步完善机器学习模型。这种迭代的“主动学习”过程，最大限度地减少了完成机器学习模型训练所需的计算量。经过几轮训练后，该人工智能模型能够在越来越长的时间尺度上预测更多数量的原子相互作用。

Deyu Lu表示：“春田对数千个原子(一个非常大的系统)进行了数百纳秒的模拟——这在传统方法中是不可能完成的任务。人工智能/机器学习确实改变了复合材料研究领域的格局。”

布鲁克海文和石溪科学家的人工智能模型显示，高浓度的氯化锌在稳定水分子、防止其分裂方面发挥着关键作用。在纯水中，一个水分子(H₂O)中的氧原子与相邻水分子中的氢原子形成两个氢键，这些氢键将水分子连接成一个连续的网络，使水分子更具反应性，更容易分裂。而随着氯化锌浓度增加，氢键数量迅速下降，破坏了氢键网络，在水包盐体系中，仅剩下约20%的氢键。曹春田称：“稳定水分子是高浓度盐包水电解质发挥良好作用的一个重要因素。”

电化学稳定性并非水包盐电解质的唯一优势，AI模型还解释了高盐浓度如何维持高效的锌离子传输。当电池循环时，离子会在电极之间来回移动。在极低浓度下，由于锌离子和氯离子带相反电荷，它们会彼此分离，并在电解液中以相反的方向独立移动。在较高浓度下，离子和水分子开始形成带有净负电荷的簇，这种整体负电荷使得锌簇的移动方向与带正电的锌离子的首选方向相反。但在极高浓度下，一些锌、氯化物和水的聚集体会变得非常大，虽然仍带负电荷，但数量很少，对导电性贡献很小，而溶液中剩余的较小团簇整体上带正电荷，可以快速包围大团簇，从而提供足够高的导电性，使电池能够正常工作。

科学家们并未完全依赖机器学习模型之间的一致性来评估研究结果，还进行了真实世界的实验。在美国能源部科学办公室用户设施NSLS-II上，科学家使用对分布函数(PDF)光束线的X射线来测量材料中原子对之间距离的分布。该光束线首席科学家、该研究的共同作者米琳达·阿贝孔(Milinda Abeykoon)表示：“PDF光束线提供了一个强大的平台，其可调节的X射线能量可以直接显示原子的间距。”这种高分辨率X射线图谱可帮助研究人员探索从几个原子到更大图案的各种结构，对于研究电池等复杂材料尤其有用，是一种很好的交叉检查和验证机器学习方法预测的原子级结构的方法。

该研究的合著者、ISD的Shan Yan表示：“这些测量为我们提供了有关离子溶剂化结构的信息，这对于理解电解质的功能非常重要。”基于人工智能的预测与现实世界的实验结果吻合良好，曹春田称：“因此，我们相信该模型是可靠的。”

Deyu Lu教授表示：“这项研究展示了人工智能和机器学习对理解材料化学的巨大影响，并为优化电池电解质提供了指导。它代表了布鲁克海文实验室多个部门的强强联手，凸显了布鲁克海文实验室在利用美国能源部科学办公室大型用户设施开展跨学科研究方面的独特优势。”

更多信息：Chuntian Cao 等，利用神经网络势能解析锌水系电解质从盐包水到水包盐体系的溶剂化结构和传输特性，PRX Energy (2025)。