科学家用大数据辅助设计电极界面，构建囊括128个含氟有机分子的数据库

当前，汽车产业正在全面推动新能源化发展。要想开发高安全性和长续航能力的新能源汽车，就需要在动力电池等关键技术上取得重大突破。

由金属氧化物正极和石墨负极构成的传统锂离子电池，由于其固有的理论容量限制，已经难以满足新能源汽车的进一步发展需求。因此，发展高比能量的锂离子电池，成为解决续航问题和实现低碳排放的关键。

在实现高比能量上，锂金属电池是较有前景的一类电池。在目前已知的电极材料中，锂金属具有最负电极电位（-3.040V vs.SHE）和极高的能量密度（3860mAhg -1 ）。

然而，锂金属负极存在安全性差（枝晶生长）和循环稳定性差等两大关键不足。在电池循环过程中，锂负极界面会形成固态电解质（SEI，Solid Electrolyte Interface）膜，而界面枝晶的生长以及相关副反应，与负极 SEI 界面膜的性质十分相关。

不均匀的 SEI 膜在电池循环中很容易破裂，从而造成电解液与负极直接接触进而引发副反应。

此外，界面不均匀的结构会诱导表面负电荷的局部聚集。界面极化增强，则会让界面离子浓度出现不均匀的分布。

当电极电流密度增大时，负极形成的强负电场会在短时间内吸收大量锂离子，导致锂离子在界面发生局部沉积，从而加快枝晶生长进而引发电池安全问题。

基于此，研究人员聚焦金属锂负极界面稳定性和安全性的问题，通过大数据辅助设计电极界面的方法，提升了金属锂界面的稳定性，抑制了枝晶生长问题，促进了锂金属电池的产业应用。其还根据研究结果提供了一些分子设计的通用规则。

日前，相关论文以《数据驱动高稳定金属锂负极复合人工界面层智能设计》 （）发在 Matter， 张奇博士 是第一作 者，中国科学院深圳先进技术研究院教授和副教授担任共同通讯[1]。

图 | 相关论文（来源：Matter）

研究中，他们先是从 PubChem 数据库中搜索含氟有机分子，然后对有机分子进行初步筛选。在筛选中，首先要快速自动化地抓取数据库中的目标有机分子，其次要筛选数据库中的含氟目标分子，再次要提取重要的有机分子物理化学特征属性从而自动排除非必要的属性，最后要通过据处理模块实现数据的准备、清洗、去重、转换。

然后，他们基于机器学习的方法，构建模型并准确预测了离子迁移能垒。利用机器学习的方法，他们揭示了自组装分子的结构特征以及电子性质与人工界面层性能之间的构效关系。其中，分子的 QM 偶极矩和静电势被确定可以作为关键描述符用来预测锂离子的迁移能垒。

接着，他们使用高通量的方式，来筛选性能优异的含氟有机分子。其中所使用的高通量数据驱动工作流程，融合了密度泛函理论和机器学习方法。

筛选流程包含自组装分子结构特征、分子的电化学稳定性、化学稳定性和离子导电性等筛选准则。基于这些筛选准则，可以从 PubChem 数据库中，自动地捕获性能优异的含氟有机分子。

研究人员表示：“这种新的研究范式加速了最优含氟有机分子的筛选进程，仅仅通过数据驱动就能实现锂金属负极人工界面层设计与构筑。”

最后，他们建立了含氟有机分子数据库，该数据库由 128 个含氟有机分子组成的。同时，他们还推荐了 8 种性能优异的分子，这些分子可以构建锂金属负极表面有机-无机人工界面层。

其中：内层无机层，可以提高锂金属负极的稳定性和离子导电性；外部有机层，则可以提供丰富的三维多孔通道，促进锂离子的均匀扩散，并能诱导锂的均匀沉积，以及抑制枝晶的生长。

对于本次论文，三位审稿人均表示认可。其中：

第一位审稿人表示：“作者使用机器学习方法来筛选具有不同头部基团和尾部基团的含氟有机分子，从而构建复合人工界面层，并选择含氟基团来建立 Li-F 保护层，借此诱导分子长程有序地组装在锂金属表面，进而实现了高性能复合负极的智能构筑。”

第二位审稿人表示：“作者提出了一种新颖的组合型计算方法和工作流程，从而来计算有机分子的电化学性质，通过构建机器学习模型来预测锂离子在界面层中的迁移能垒，借此评估了含氟有机分子在锂金属表面形成的有机无机复合界面层的机械性能。”

这位审稿人还表示，该团队对 2400 种分子进行高通量筛选，并找到 8 个有潜力的候选有机分子，这能用于改进锂金属电池人工界面层的电化学性能，以及在锂金属负极上构建复合人工界面层。预计这种复合人工界面层将拥有低扩散势垒和高机械稳定性的优势。

第三位审稿人表示：“该研究提出了一种高通量工作流程，其将量子计算模拟方法和机器学习相结合，来预测和筛选含氟有机自组装分子，并将其用于在锂金属负极表面创建无机-有机人工界面层。作者还利用机器学习描述符阐明了理想有机分子头部基团、中间基团和尾部基团结构特征与扩散势垒之间的结构-性能关系。”

图 | 本次论文的共同通讯作者彭超（来源：）

未来几年内，该成果可能具有以下潜在应用：

其一，用于锂金属电池改进。如前所述，本次提出的高通量工作流程和机器学习方法，可用于筛选和设计稳定的复合人工界面层，因此有望用于改善锂金属电池的性能。

其二，用于设计其他电池的体系。此次研究所使用的方法和工作流程也能适用于其他类型的电池系统，比如锂离子电池、钠/锌离子电池和固态电池。通过筛选和设计适合特定电池系统的自组装分子层，就可以改善上述几类电池的稳定性和性能。

其三，可用于打造燃料电池。类似的方法也能用于燃料电池等其他电化学应用设备，比如用于改善电解器的电解效率和稳定性，以及改善燃料电池的催化性能和寿命。

其四，可用于材料设计和发现。该研究所采用的数据驱动材料发现方法，也可以扩展到其他材料领域。通过结合计算模拟和机器学习方法，就能加快新材料的发现过程，并为材料设计提供指导。

总的来说，该成果的潜在应用涵盖锂金属电池改进、其他电池系统的设计、以及材料设计和发现等领域，很有希望为电化学能源存储和转换领域带来技术新发展。

接下来，研究人员将继续从实验层面制备并组装电池，以对其实用性进行研究。另外，他们也将从理论层面继续优化现有的界面层模型。

参考资料：

1.Zhang, Q., Zhou, C., Zhang, D., Kramer, D., Peng, C., & Xue, D.（2023）. Data-driven discovery and intelligent design of artificial hybrid interphase layer for stabilizing lithium-metal anode.Matter, 6（9）, 2950-2962.

运营/排版：何晨龙