德国研究人员通过机器学习技术，在固态电池材料中识别出与液态离子流相关的隐藏光谱信号，为加速高性能固态电池开发提供新路径。这一发现有助于更高效筛选超离子导体材料。
研究团队开发了一种机器学习加速的工作流程，结合ML力场与张量模型模拟拉曼光谱。结果显示，强低频拉曼强度可作为液态离子传导的明确光谱指示器。当离子以流体状方式穿过晶格时，运动扰动晶格对称性，产生独特的低频拉曼散射，这些信号与高离子迁移率直接相关。
新方法使科学家能在接近从头算精度下模拟复杂材料在真实温度下的振动光谱，同时大幅降低计算成本。应用于钠离子导电材料如Na3SbS4时，该方法揭示了显著的低频拉曼特征，这些特征源于快速离子传输引起的对称性破缺，为快速离子传导提供可靠指示器。
机器学习加速的拉曼流程成功识别了与液态离子运动相关的拉曼特征。显示强低频拉曼特征的材料表现出高离子扩散性和晶格动态弛豫，而离子传输主要通过固定位置跳跃的材料则无此特征。这一区别凸显拉曼信号如何揭示材料内部传输机制。
该研究为解释多种材料中的扩散性拉曼散射提供了更广泛框架，将原子模拟与实验测量连接起来，使科学家能更高效评估候选材料。这一策略为储能研究中的数据驱动发现引入新途径，有望加速固态电池技术发展。相关成果已发表在《AI for Science》期刊网络版。
出版详情：作者：Manuel Grumet, Takeru Miyagawa, Olivier Pittet, Paolo Pegolo, Karin S Thalmann, Waldemar Kaiser, David A Egger；标题：《Revealing fast ionic conduction in solid electrolytes through machine learning accelerated Raman calculations》；发表于：《AI for Science》(2026)；期刊信息：《AI for Science》。
