近日，来自斯科尔科沃科技学院(Skoltech)和AIRI研究所的研究人员展示了如何借助机器学习加速固态电池新材料的开发进程。相关研究成果发表在《npj 计算材料》杂志上，并获得了俄罗斯科学基金会的资助。

神经网络在此次研究中发挥了关键作用，能够识别出电解质和保护涂层的有前景材料，而这两者是固态电池的关键要素。随着这项技术的不断发展，固态电池有望取代电动汽车和便携式电子设备中的锂离子电池，进而延长电池寿命并降低火灾风险。

与锂离子电池类似，固态电池也具备正极和负极，工作时电荷通过电解质在正负极之间转移。不过，锂离子电池的电解质是传导离子的溶液，而固态电池的电解质则是传导锂离子的固体物质。

尽管固态电池技术可将电动汽车续航里程提升约一倍半，并显著提高防火安全性，但目前尚未应用于电动汽车。汽车制造商正竞相抢占先机，然而主要障碍在于，目前市面上的固态电解质均无法满足所有技术要求，因此新材料的探索仍在持续。

该研究第一作者、斯科尔科沃理工学院材料科学专业研究生、能源科学与技术中心研究实习生兼AIRI研究所初级研究员Artem Dembitsky表示：“我们已经证明，图神经网络可用于识别下一代固态电池所需的高离子电导率新材料。而且，这一过程比量子化学方法(材料科学中理论预测的主要工具)快几个数量级，这意味着可以加速新型电池材料的开发。我们已经通过使用这些方法预测了多种固态电池的保护涂层，证明了这一点。”

对于为何需要保护涂层，该研究共同作者、斯科尔科沃理工学院能源科学与技术中心高级讲师德米特里·阿克塞诺夫解释道：“金属锂(阳极)是一种非常强的还原剂，因此几乎所有现有的电解质在与其接触时都会开始还原。而阴极材料是一种非常强的氧化剂。在氧化和还原过程中，电解质的结构会被破坏，这可能导致电池性能下降，甚至短路。如果添加一层与阴极、阳极和电解质稳定接触的保护涂层，就可以避免这种情况。”

机器学习算法能够加快离子电导率的计算，而离子电导率是电解质本身及其保护涂层的关键特性。通常，候选材料会根据一系列特性分阶段进行筛选。对于涂层材料，这些特性包括热力学稳定性、电子电导率(应较低)、电化学稳定性、与电极和电解质的相容性、离子电导率等。其中，离子电导率的计算是最耗费资源的阶段之一。在筛选初期，候选化合物列表可能包含数万种候选化合物，随着筛选的推进，候选化合物会被缩小到几个领先者。

该研究的作者们为最有前景的固态电池电解质之一——Li₁₀GeP₂S₁₂——寻找保护涂层选项。通过加速机器学习筛选，确定了几种有前景的此类电解质保护涂层材料，例如化学式为Li₃AlF₆和Li₂ZnCl₄的物质。这一成果为固态电池新材料的开发带来了新的希望，有望推动固态电池技术在电动汽车和便携式电子设备等领域的应用。