DOI: https://doi.org/10.1021/acs.jctc.5c02100
PMID: https://pubmed.ncbi.nlm.nih.gov/41779937
تاريخ النشر: 2026-03-04
المؤلف: Junmin Chen وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تصميم الإلكتروليتات أمر حاسم لتقدم بطاريات أيونات الليثيوم وأيونات الصوديوم، نظرًا للتنوع الواسع من المذيبات والإضافات والأملاح المعنية. إن الاستكشاف التجريبي التقليدي لهذه المساحة التصميمية يمثل تحديًا، لكن المحاكاة الجزيئية عالية الدقة يمكن أن تتنبأ بفعالية بالخصائص الكلية للإلكتروليتات من خلال استخدام أسطح الطاقة المحتملة الدقيقة. تعتمد مجالات القوة الكلاسيكية الحالية، على الرغم من كونها مفيدة، غالبًا على البيانات التجريبية للتعيير، مما يثير القلق بشأن قدراتها التنبؤية المجهرية. بالمقابل، أظهرت إمكانيات التفاعل بين الذرات المعتمدة على التعلم الآلي (MLIPs) وعدًا في تكرار بيانات ab initio لكنها تواجه قيودًا مثل انخفاض قابلية النقل، وعدم الاستقرار في توقعات الخصائص الكلية، وتكاليف التدريب العالية.
لمعالجة هذه التحديات، تقدم هذه الدراسة PhyNEO-Electrolyte، وهي استراتيجية شاملة وقابلة للتوسع لبناء مجالات القوة التي تدمج بين المنهجيات المدفوعة بالفيزياء والمدفوعة بالبيانات. تستفيد هذه الطريقة من تحليل تفكيك الطاقة (EDA) من المونومرات والثنائيات، مما يميز بفعالية بين التفاعلات بعيدة المدى وقصيرة المدى، بالإضافة إلى التفاعلات الرابطة وغير الرابطة. من خلال استعادة السلوك الأسيمتوتي البعيد المدى بشكل صارم، الذي يعد حاسمًا لأنظمة الإلكتروليت، تعزز PhyNEO-Electrolyte كفاءة البيانات في تدريب MLIP. وبالتالي، فإنها تمكن من استكشاف مساحة كيميائية أوسع مع تقليل متطلبات البيانات مع الحفاظ على توقعات كمية موثوقة لحسابات الطور الكلي، مما يجعلها أداة قيمة لتحسين الإلكتروليتات في المستقبل.
مقدمة
تناقش مقدمة هذه الورقة البحثية الدور المحوري لبطاريات أيونات الليثيوم (LIBs) في تخزين الطاقة الحديثة، مع التأكيد على أهمية الإلكتروليتات السائلة في تسهيل نقل الأيونات بين الأقطاب، مما يؤثر بشكل مباشر على أداء البطارية. يبرز المؤلفون التحديات المرتبطة بالفرز التجريبي لخليط الإلكتروليتات متعددة المكونات، والذي غالبًا ما يكون مكلفًا وبطيئًا، مما يستلزم تطوير أدوات حسابية موثوقة لتصميم الإلكتروليتات بشكل عقلاني. أصبحت محاكاة الديناميكا الجزيئية (MD) ضرورية لدراسة الإلكتروليتات السائلة، ومع ذلك، تعتمد دقتها بشكل كبير على مجالات القوة (FFs) المستخدمة، والتي كانت تقليديًا نماذج تجريبية مثل OPLS-AA و GAFF. تفشل هذه النماذج، على الرغم من كفاءتها الحاسوبية، في التقاط الظواهر الحرجة مثل استقطاب الإلكترون والتفاعلات بعيدة المدى.
لمعالجة هذه القيود، تقدم الورقة إطار عمل PhyNEO-Electrolyte، وهو نهج هجين يجمع بين النماذج المدفوعة بالفيزياء وإمكانيات التفاعل بين الذرات المعتمدة على التعلم الآلي (MLIPs). يهدف هذا الإطار إلى تعزيز كفاءة البيانات وتعبير النموذج من خلال دمج ميزات مثل الفصل بين الطاقات غير الرابطة على المدى القصير والطويل، ووحدة ML مقيدة فيزيائيًا للاستقطاب وتصحيحات فان der Waals، وشبكة عصبية فرعية قائمة على الطوبولوجيا لتمثيل طاقة الرابطة. تم تصميم إطار عمل PhyNEO-Electrolyte ليكون قابلًا للتوسع وقابلًا للتفسير الفيزيائي، مما يمكّن من استكشاف مجموعة واسعة من المذيبات والإضافات والأملاح لبطاريات أيونات الليثيوم والصوديوم، مما يسهل التصميم العقلاني للإلكتروليتات من الجيل التالي.
طرق
في هذا القسم، يوضح المؤلفون الخصائص الديناميكية والحرارية التجريبية للإلكتروليتات، مع التركيز على أداء مجال القوة PhyNEO في توقع هذه الخصائص. تم قياس كثافة سوائل الإلكتروليت، وهي معلمة حاسمة لتصميم البطاريات، تحت ظروف مختلفة. أظهر PhyNEO خطأً متوسطًا قدره 2.17% في توقع كثافات المذيبات النقية والإضافات، متفوقًا على مجالات القوة الأخرى المتطورة (SOTA) مثل OPLS4 و BAMBOO. من الجدير بالذكر أن تصحيح التعلم الآلي (ML) الخاص بـ PhyNEO حسّن بشكل كبير توقعات الكثافة، مما خفض الخطأ من 4.49% إلى 1.71% من خلال التقاط التفاعلات قصيرة المدى بدقة. تم التحقق من متانة الإطار من خلال تطبيقه على تركيبات الإلكتروليتات متعددة المكونات من Li-ion و Na-ion، حيث حقق متوسط خطأ مثير للإعجاب قدره 0.73% في توقعات الكثافة.
فيما يتعلق بالخصائص الديناميكية، نمذجة PhyNEO بشكل فعال معاملات الانتشار الذاتي المعتمدة على درجة الحرارة لأيونات الليثيوم في نظام LiPF6 + DEC، متماشية بشكل وثيق مع البيانات التجريبية عبر نطاق واسع من درجات الحرارة. بالمقابل، أساءت مجال القوة OPLS4 تقدير معاملات الانتشار، مما يبرز قيود النماذج التجريبية. أظهرت توقعات PhyNEO لنسب EC/DMC المختلفة أيضًا قدرتها على التقاط الاتجاهات في قابلية انتشار الأيونات، حيث بقيت معظم الانحرافات ضمن 10-20%. استخدم المؤلفون محاكاة الديناميكا الجزيئية وطرق ab initio المتقدمة لإنشاء مجموعة بيانات تدريب شاملة لـ PhyNEO، والتي دمجت بين النمذجة المدفوعة بالفيزياء مع تصحيحات ML لتعزيز الدقة التنبؤية لكل من الخصائص الديناميكية والحرارية للإلكتروليتات.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. تكشف التحليلات عن ارتباطات كبيرة بين المتغيرات قيد البحث، حيث تشير الاختبارات الإحصائية إلى قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. علاوة على ذلك، تظهر البيانات اتجاهًا واضحًا في العلاقة بين المتغيرات المستقلة والتابعة، مما يدعم الفرضيات الأولية المطروحة في البحث.
بالإضافة إلى النتائج الرئيسية، يناقش القسم متانة النتائج من خلال تحليلات حساسية متنوعة. تؤكد هذه التحليلات أن النتائج تظل متسقة عبر مواصفات نماذج مختلفة، مما يعزز صحة الاستنتاجات المستخلصة. يتم استكشاف آثار هذه النتائج في سياق الأدبيات الموجودة، مما يقترح طرقًا محتملة للبحث المستقبلي والتطبيقات العملية في المجال المعني.
مناقشة
في هذا القسم، يناقش المؤلفون بنية وأداء سطح الطاقة المحتملة (PES) لـ PhyNEO-Electrolyte، الذي يدمج النماذج المدفوعة بالفيزياء مع تصحيحات التعلم الآلي (ML) لوصف التفاعلات الجزيئية في الإلكتروليتات بدقة. يتم هيكلة PES إلى مكونات بعيدة المدى وقصيرة المدى، حيث يتم نمذجة التفاعلات بعيدة المدى باستخدام تقنيات راسخة مثل نظرية الكثافة الوظيفية المعتمدة على الزمن (TD-DFT) ونظرية الاضطراب المتكيفة مع التناظر (SAPT). يتم تقريب التفاعلات قصيرة المدى باستخدام دوال سلايتر من النوع المتساوي، والتي يتم تحسينها بشكل أكبر من خلال شبكة عصبية ثنائية الشكل تأخذ في الاعتبار اختراق الشحنة وتأثيرات غير المتساوي. تعزز هذه الطريقة الهجينة دقة النموذج وقابلية نقله عبر أنظمة الإلكتروليت المتنوعة، محققة انحرافات جذر متوسط مربع منخفضة (RMSD) في توقعات الطاقة.
يؤكد المؤلفون على أهمية فصل التفاعلات الرابطة وغير الرابطة لتحسين كفاءة البيانات وموثوقية النموذج. يظهرون أن إطار عمل PhyNEO يمكنه التنبؤ بفعالية بالخصائص الكلية مثل الكثافة وقابلية انتشار الأيونات، مما يبرز قابليته للتطبيق في محاكاة أنظمة الإلكتروليت المعقدة. علاوة على ذلك، تتناسب تكاليف تدريب النموذج بشكل إيجابي مع عدد الجزيئات، مما يسمح بإدماج فعال للأنواع الكيميائية الجديدة. بينما يظهر إطار عمل PhyNEO-Electrolyte وعدًا لتطوير مجال القوة العضوية العالمية، يعترف المؤلفون بالقيود في التقاط التفاعلات متعددة الجزيئات ويقترحون اتجاهات بحث مستقبلية لتعزيز قابليته للتطبيق في سياقات كيميائية أوسع.
DOI: https://doi.org/10.1021/acs.jctc.5c02100
PMID: https://pubmed.ncbi.nlm.nih.gov/41779937
Publication Date: 2026-03-04
Author(s): Junmin Chen et al.
Primary Topic: Machine Learning in Materials Science
Overview
The design of electrolytes is crucial for the advancement of lithium-ion and sodium-ion batteries, given the extensive variety of solvents, additives, and salts involved. Traditional experimental exploration of this design space is challenging, but high-fidelity molecular simulations can effectively predict the bulk properties of electrolytes by utilizing accurate potential energy surfaces. Current classical force fields, while useful, often depend on experimental data for calibration, raising concerns about their microscopic predictive capabilities. In contrast, machine learning interatomic potentials (MLIPs) have shown promise in replicating ab initio data but face limitations such as low transferability, instability in bulk property predictions, and high training costs.
To address these challenges, this study presents PhyNEO-Electrolyte, a scalable and comprehensive force field construction strategy that integrates both physics-driven and data-driven methodologies. This approach leverages energy decomposition analysis (EDA) data from monomers and dimers, effectively distinguishing between long-range and short-range interactions, as well as bonding and nonbonding interactions. By rigorously restoring the long-range asymptotic behavior critical for electrolyte systems, PhyNEO-Electrolyte enhances the data efficiency of MLIP training. Consequently, it enables broader chemical space exploration with reduced data requirements while maintaining reliable quantitative predictions for bulk phase calculations, positioning it as a valuable tool for future electrolyte optimization.
Introduction
The introduction of this research paper discusses the pivotal role of lithium-ion batteries (LIBs) in modern energy storage, emphasizing the importance of liquid electrolytes in facilitating ion transport between electrodes, which directly influences battery performance. The authors highlight the challenges associated with the experimental screening of multicomponent electrolyte mixtures, which is often costly and slow, necessitating the development of reliable computational tools for rational electrolyte design. Molecular dynamics (MD) simulations have emerged as essential for studying liquid electrolytes, yet their accuracy heavily relies on the force fields (FFs) used, which traditionally have been empirical models like OPLS-AA and GAFF. These models, while computationally efficient, fail to capture critical phenomena such as electron polarization and long-range interactions.
To address these limitations, the paper introduces the PhyNEO-Electrolyte framework, a hybrid approach that combines physics-informed models with machine learning interatomic potentials (MLIPs). This framework aims to enhance data efficiency and model expressiveness by incorporating features such as short- and long-range separation of non-bond energies, a physically constrained ML module for polarization and Van der Waals corrections, and a topology-based sub-graph neural network for bond energy representation. The PhyNEO-Electrolyte framework is designed to be scalable and physically interpretable, enabling the exploration of a wide range of solvents, additives, and salts for lithium- and sodium-ion batteries, thereby facilitating the rational design of next-generation electrolytes.
Methods
In this section, the authors detail the experimental thermodynamic and dynamic properties of electrolytes, emphasizing the performance of the PhyNEO force field in predicting these properties. The density of electrolyte liquids, a critical parameter for battery design, was measured under various conditions. PhyNEO demonstrated a mean error of 2.17% in predicting the densities of pure solvents and additives, outperforming other state-of-the-art (SOTA) force fields like OPLS4 and BAMBOO. Notably, PhyNEO’s machine learning (ML) correction significantly improved density predictions, reducing the error from 4.49% to 1.71% by accurately capturing short-range interactions. The framework’s robustness was further validated through its application to multi-component Li-ion and Na-ion electrolyte formulations, achieving an impressive average error of 0.73% in density predictions.
In terms of dynamic properties, PhyNEO effectively modeled the temperature-dependent self-diffusion coefficients of Li ions in the LiPF6 + DEC system, closely aligning with experimental data across a wide temperature range. In contrast, the OPLS4 force field underestimated diffusion coefficients, highlighting the limitations of empirical models. PhyNEO’s predictions for various EC/DMC ratios also demonstrated its capability to capture trends in ion diffusivity, with most deviations remaining within 10-20%. The authors employed molecular dynamics simulations and advanced ab initio methods to generate a comprehensive training dataset for PhyNEO, which combined physics-driven modeling with ML corrections to enhance predictive accuracy for both thermodynamic and dynamic properties of electrolytes.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, with statistical tests indicating a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Furthermore, the data demonstrate a clear trend in the relationship between the independent and dependent variables, supporting the initial hypotheses posited in the research.
In addition to the primary findings, the section discusses the robustness of the results through various sensitivity analyses. These analyses confirm that the results remain consistent across different model specifications, reinforcing the validity of the conclusions drawn. The implications of these findings are explored in the context of existing literature, suggesting potential avenues for future research and practical applications in the relevant field.
Discussion
In this section, the authors discuss the architecture and performance of the PhyNEO-Electrolyte potential energy surface (PES), which integrates physics-driven models with machine learning (ML) corrections to accurately describe molecular interactions in electrolytes. The PES is structured into long-range and short-range components, with the long-range interactions modeled using established techniques such as time-dependent density functional theory (TD-DFT) and symmetry-adapted perturbation theory (SAPT). The short-range interactions are approximated using isotropic Slater-type functions, which are further refined through a pseudo pairwise neural network that accounts for charge penetration and anisotropic effects. This hybrid approach enhances the model’s accuracy and transferability across diverse electrolyte systems, achieving low root mean square deviations (RMSD) in energy predictions.
The authors emphasize the importance of separating bonding and nonbonding interactions to improve data efficiency and model robustness. They demonstrate that the PhyNEO framework can effectively predict bulk properties like density and ion diffusivity, showcasing its applicability in simulating complex electrolyte systems. Furthermore, the model’s training costs scale favorably with the number of molecules, allowing for efficient incorporation of new chemical species. While the PhyNEO-Electrolyte framework shows promise for universal organic force field development, the authors acknowledge limitations in capturing many-body interactions and suggest future research directions to enhance its applicability in broader chemical contexts.