Journal of the American Chemical Society· Feng Wang; Yu-Hang Tang; Yi-Min Wei; Jun Cheng·· 来源仅提供日期AI 评分33
微调通用机器学习势可高效计算电池电解液中的锂电极电位
Fine-Tuning Universal Machine Learning Potentials Enables Efficient Computation of Li Electrode Potentials in Battery Electrolytes
AI 导读
一个集成框架将电解液通用机器学习势与数据高效微调策略结合,用于计算锂电极电位。每套电解液体系使用约 200 次额外 DFT 计算即可达到 ab initio 级精度。研究还揭示了局部 Li+ 溶剂化环境与电极电位偏移之间的关系,为电解液设计提供机理参考。
已发表论文 · journal · 10.1021/jacs.6c12519
本站摘要基于收录版本 v1(2026-10-31),原始摘要与 AI 导读固定保留。
IF(5) 16.1 · 2025 · 期刊参考指标
摘要 · AI 翻译
金属锂的电极电位是锂金属电池性能与稳定性的基础,但其在多种电解液化学体系中的准确预测仍是一项挑战。采用团簇模型的标准量子化学方法无法描述明确的体相溶剂化过程,而从头算分子动力学则受限于热力学采样的高计算成本。在本工作中,我们提出了一种集成框架,将通用的电解液机器学习势与数据高效的微调策略相结合,用于计算锂电极电位。该流程仅需每个电解液体系约 200 个额外的密度泛函理论计算,即可达到从头算级别的精度。此外,所揭示的局部 Li+ 溶剂化环境与电极电位偏移之间的关系,为电解液依赖的氧化还原行为提供了机理层面的见解,并为电解液的理性设计提供了指导。
来源:Journal of the American Chemical Society · doi.org