具有神经网络拓扑结构模块化正极，用于高倍率和容错的锂硫电池！

1成果简介

锂硫（Li-S）电池由于其高理论容量（1675 mA·h·g-1）、低成本和环境友好性，已成为下一代储能的主要候选者。然而，锂硫电池的实际性能因为硫和硫化锂的绝缘性及显著的体积膨胀、缓慢的硫氧化/还原动力学、严重的穿梭效应等原因而被限制。目前，开发锂硫电池电极材料的关键问题是如何有效提高其实际能量密度、循环稳定性以及确保电极在面对局部故障或外界干扰时的可靠性。特别是在高倍率下，硫缓慢的氧化还原反应动力学和剧烈的体积变化会进一步加剧，电极极化和结构破坏尤为严重。

近日，桂林理工大学李新宇、肖剑荣、厦门大学彭栋梁、湖南大学段曦东团队通过构建具有嵌入式纳米酶（Co-B1N3）的微反应器模块（CoB1N3-MRs），并将其有序、高效地互连，设计了一种具有全连接级联神经网络拓扑结构（FNN）的模块化正极系统（CoB1N3-MR/FNN）。该系统不仅使单个微反应器内的高效能量转换成为可能，而且显著增强了电极的长程电荷传输效率和能量聚集能力。此外，CoB1N3-MR/FNN通过其分布式能量存储单元和冗余电荷传输通道，实现了对局部损伤的容错。这种协同增强的模块化电极系统在能量转换和电荷传输方面展现出高比放电容量（0.2C，1211 mA·h·g-1）和优异的倍率性能（5C，731.26 mA·h·g-1；10C，471.05 mA·h·g-1），并且在高硫负载、低电解液和柔性软包电池（0.2C，1165 mA·h·g-1）中表现出卓越的电化学性能，充分证明了其实际应用价值。桂林理工大学硕士研究生郭鹏博为本文第一作者。

2图文导读

本文通过构建具有全连接级联神经网络拓扑结构（Fully Connected Cascade Neural Network Topology, FNN）的模块化正极系统（CoB1N3-MR/FNN），实现了锂硫电池中硫活性物质的高效氧化还原动力学、整体电荷传输效率的提升以及对局部损伤的容错能力。

1. 纳米酶催化机制

CoB1N3-MR/FNN的核心是嵌入在微反应器模块（Microreactor Modules, MRs）中的单原子纳米酶（Co-B1N3）。这种纳米酶通过“捕获-定向-键合-转化”机制，高效地催化多硫化锂（LiPSs）的转化。具体而言，Co-B1N3纳米酶通过其活性中心与LiPSs中的硫原子形成d-p轨道杂化，从而实现高效的LiPSs转化，显著降低了LiPSs的穿梭效应，并加速了其在液-固和固-固相变过程中的转化速率。实验结果表明，CoB1N3-MR/FNN对Li2S2和Li2S的吸附能力最强，这表明其在关键的相变步骤中具有高效的催化能力。

2. 电荷传输与能量聚集机制

CoB1N3-MR/FNN的结构类似于生物神经网络，其中每个微反应器模块（MR）类似于神经元，通过高度互联的通道（类似于突触）实现电荷的快速传输。这种全连接的级联神经网络结构不仅消除了界面电阻，还通过三维导电网络实现了电荷的快速传输，从而显著提高了电极的整体电荷传输效率和能量聚集能力。实验结果显示，CoB1N3-MR/FNN在0.2 C时的比放电容量达到1211 mA·h·g-1，在5 C和10 C的高倍率下分别保持731.26 mA·h·g-1和471.05 mA·h·g-1的比容量，展现出优异的倍率性能。

3. 容错机制

CoB1N3-MR/FNN通过其分布式能量存储单元和冗余电荷传输通道，实现了对局部损伤的容错能力。在模拟局部连接损坏的情况下，CoB1N3-MR/FNN结构能够依靠局部冗余来缓解应力问题，并通过动态调整电流路径，绕过断裂的导电网络，从而确保系统的持续运行。这种容错机制类似于生物神经网络中的冗余效应，即使部分神经元或连接受损，信号仍可通过其他路径传输，从而保证了电极系统的整体稳定性和可靠性。

4. 实验验证

实验结果进一步验证了CoB1N3-MR/FNN的卓越性能。通过原位拉曼图谱分析，CoB1N3-MR/FNN在充放电过程中展现出更弱的LiPSs拉曼信号，表明其对LiPSs的转化效率更高。此外，通过恒电位Li2S成核实验，CoB1N3-MR/FNN展现出更高的Li2S成核能力和更快的成核速率，进一步证明了其在加速LiPSs转化方面的优势。在实际应用中，CoB1N3-MR/FNN在高硫负载（6.4 mg·cm-2）、低电解液（E/S比为6 μL·mg-1）和柔性软包电池中均表现出优异的性能，展现出其在实际应用中的巨大潜力。

图1. CoB1N3-MR/FNN的合成与形貌表征

a) CoB1N3-MR/FNN合成示意图。b–d) CoB1N3-MR/FNN的扫描电子显微镜（SEM）图像。e) CoB1N3-MR/FNN中一个微反应器单元的SEM图像，右侧为硫负载前，左侧为硫负载后。f) CoB1N3-MR内腔的透射电子显微镜（TEM）图像（左）和CoB1N3-MR结构的TEM图像（右）。g) CoB1N3-MR/FNN外壳的高角环形暗场扫描透射电子显微镜（HAADF-STEM）图像。h–l) CoB1N3-MR/FNN中C、B、N和Co元素的能谱（EDS）分布图。m) 硫负载后CoB1N3-MR/FNN中S元素的EDS分布图。

图2. 化学状态的表征与分析

a) CoB1N3-MR/FNN、MR/FNN和MR的X射线衍射（XRD）图谱。b) CoB1N3-MR、MR/FNN和MR的拉曼图谱。c) CoB1N3-MR/FNN的N2吸附/脱附等温线。d) CoB1N3-MR/FNN的B 1s、e) N 1s和f) Co 2p的X射线光电子能谱（XPS）图谱。g) Co K边的X射线吸收近边结构（XANES）谱。h) Co K边的扩展X射线吸收精细结构（EXAFS）谱的傅里叶变换，Co箔和Co3O4作为对比。i) CoB1N3-MR/FNN的EXAFS拟合曲线。j–l) Co K边的小波变换（WT）等高线图，分别为j) Co箔，k) CoB1N3-MR/FNN，l) Co3O4。

图3. CoB1N3-MR/FNN中能量转换和电荷传输的协同增强策略分析

a) S8, Li2S8, Li2S6, Li2S4, Li2S2和Li2S在CoB1N3-MR和MR表表面的吸附/结合能以及分子构型（插图显示了LiPSs在CoB1N3-MR上的优化吸附构型）。b) LiPSs在CoB1N3-MR上键合模式的俯视图。c) Li2S4在CoB1N3-MR和MR上的差分电荷密度。d) CoB1N3-MR/FNN和MR/FNN表面上Li离子的扩散势垒（插图为Li离子在CoB1N3-MR/FNN和MR/FNN表面的扩散路径）。e) S@CoB1N3-MR/FNN正极在0.1 C下的恒电流间歇滴定技术（GITT）曲线。f-g) S@MR/FNN正极（f）和S@CoB1N3-MR/FNN正极（g）的原位拉曼图谱。h) CoB1N3-MR/FNN正极的工作机制。

图4. CoB1N3-MR/FNN的实际增强效果

a–c) S@CoB1N3-MR/FNN（a）、S@MR/FNN（b）和S@MR（c）正极在0.1–0.5 mV·s-1扫描速率下的循环伏安（CV）曲线等高线图。d) 峰A的CV峰值电流与扫描速率平方根的关系图。e) 峰A的Tafel图。f) 不同样品吸附Li2S6溶液6小时后的紫外-可见吸收图谱（插图为Li2S6吸附实验的数码照片）。g–i) Li2S8溶液在CoB1N3-MR/FNN（g）、MR/FNN（h）和MR（i）不同表面上的恒电位放电曲线。

图5. CoB1N3-MR/FNN正极的容错分析

a-b) CoB1N3-MR/FNN (a)和CoB1N3-MR (b)结构的整体应力分布图。c-d) CoB1N3-MR/FNN和CoB1N3-MR (d)结构的应力多截面图。e-f) CoB1N3-MR/FNN (e)和CoB1N3-MR (f)结构在横截面上应力切面图的放大。g) CoB1N3-MR/FNN结构的电流密度模量颜色映射图。h) CoB1N3-MR/FNN结构的电流密度模量流线和电势分布图。i) CoB1N3-MR结构的电流密度模量流线和电势分布图。j) 局部连接损坏后CoB1N3-MR/FNN结构的整体应力分布图。k) 局部损坏后CoB1N3-MR/FNN结构的局部应力分布图。l) 局部损坏后CoB1N3-MR/FNN结构的局部电流密度模量颜色映射图。

图6. S@CoB1N3-MR/FNN、S@MR/FNN和S@MR正极的电化学性能

a) 1 mV·s⁻¹下的典型循环伏安（CV）曲线。b) S@CoB1N3-MR/FNN在不同倍率下的充放电曲线。c) 0.2 C下的循环性能。d) 倍率性能。e) 1 C下的长循环性能。f) 纽扣电池的Nyquist图和等效电路图。g) 高硫负载和低电解液条件下S@CoB1N3-MR/FNN正极的循环性能。h) S@CoB1N3-MR/FNN软包电池在0.2 C下的循环性能（插图为软包电池折叠前后正常工作的照片）。i) 不同硫负载量下S@CoB1N3-MR/FNN在0.2 C下的面积容量。

3小结

通过使用嵌入纳米酶的微反应器模块作为独立反应模块，并将其有序排列和高效互连，设计了一种具有全连接级联神经网络拓扑结构的模块化电极系统（CoB1N3-MR/FNN）。在该系统中，CoB1N3-MR模块有效增强了硫活性物质的氧化还原动力学，而神经网络拓扑结构则促进了电荷传输和能量聚集。此外，整个电极通过其分布式能量存储架构和冗余连接，实现了对局部损伤的容错能力。实验结果表明，该系统在10 C的高倍率下表现出优异的性能，并在高硫负载、低电解液浓度和柔性软包电池等挑战性条件下展现出强大的适应性。该研究为开发安全稳定的能量存储电池提供了新的设计策略，推动了下一代能量存储技术的发展。

文章链接:

Pengbo Guo, Xinyu Li,* Tao Tang, Yong Cheng, Yu Wang, Yingqiang Yang, Ling Liu, Yanwei Li, Ming Li, Jianrong Xiao,* Qingshui Xie, Dongliang Peng,* and Xidong Duan*. Modularized Cathode with Neural Network Topology for High Rate and Fault-Tolerant Lithium–Sulfur Batteries. Advanced Materials, 2025, 2504908.

https://doi.org/10.1002/adma.202504908

通讯作者简介

李新宇研究员简介：中山大学博士，硕士生导师，现为桂林理工大学研究员。主要从事新能源器件设计的前沿研究工作。根据能源储存与利用的需求，交叉融合多学科领域知识，重点研究锂硫电池、锌离子电池、超级电容器等能源材料的结构设计与可控构筑。先后在“Advanced Materials” 、“Angew. Chem. Int. Ed.”、“ACS Nano”、“Appl. Phys. Lett.”等国内外SCI学术期刊上发表学术论文60余篇。

第一作者介绍

郭鹏博，桂林理工大学李新宇课题组硕士研究生。

通讯作者：桂林理工大学李新宇研究员、肖剑荣教授、厦门大学彭栋梁教授、湖南大学段曦东教授

单位：桂林理工大学，厦门大学，湖南大学

来源：材料分析与应用