📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

في البطاريات من الجيل الجديد، لا يُستخدم إلكتروليت سائل فقط، بل ماء مذاب فيه كمية كبيرة جدًا من الملح — أيونات الليثيوم وجزيئات عضوية كبيرة. عدد الأيونات كبير لدرجة أنها تتصادم باستمرار، مثل حشد في ممر ضيق. تتبع كل أيون في هذا الحشد ليس بالمهمة السهلة.

الطريقة المعتادة هي حل معادلات ميكانيكا الكم لكل خطوة من خطوات الحركة. هذا يشبه محاولة وصف كل خطوة لكل شخص في الحشد: الدقة هائلة، لكن الحساب يستغرق وقتًا طويلاً جدًا. لذلك اتبع العلماء مسارًا مختلفًا. أخذوا نموذجًا حاسوبيًا يتعلم من الأمثلة: أولاً عرضوا عليه بعض الحسابات القصيرة والدقيقة، ثم تعلم هو نفسه التنبؤ باتجاه حركة الأيونات، دون معادلات معقدة.

اختبر المؤلفون النموذج على محلول ملح الليثيوم في الماء. أعاد النموذج إنتاج البيانات التجريبية بدقة — على سبيل المثال، كيفية تشتت الأشعة السينية على المحلول. هذا يعني أنه يصف توزيع الأيونات بشكل صحيح. علاوة على ذلك، سمح النموذج بالنظر في حالات يصعب التقاطها في التجربة: عندما يقترب أيونا ليثيوم من بعضهما البعض بشكل كبير جدًا.

اتضح أن النموذج الذي دُرِّب أولاً على بيانات عامة ثم دُرِّب إضافيًا على محلول محدد، يعمل بشكل أفضل من النموذج الذي دُرِّب من الصفر. هذا مثل طاهٍ يعرف مطابخ متعددة، يتعلم طبقًا جديدًا أسرع من المبتدئ.

الآن لدى الباحثين أداة لدراسة الإلكتروليتات فائقة التركيز على أزمنة طويلة — من بيكو ثانية إلى نانو ثانية وما بعدها. هذا مهم لتطوير بطاريات أكثر أمانًا وأعلى سعة.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2603.22099

Machine-learned interatomic potentials hold the promise to enable the modeling of highly concentrated liquids over meaningful timescales, far from reach for current ab initio electronic structure methods. Here we evaluate the performances of various MACE potentials in modeling a $$21 m$$ water-in-salt electrolyte based on lithium bis(trifluoromethanesulfonyl)imide. We test out-of-the-box foundation models, as well as both fine tuning and from scratch training strategies. Our simulations demonstrate that surrogate models allow to overcome sampling limitations of ab initio molecular dynamics, reaching an excellent agreement with experimental observables such as the structure factor. We also demonstrate the benefit of fine tuning a foundation model over training from scratch: in terms of data efficiency, but most importantly as a means to provide information regarding configurations hard to sample, such as short Li$$^+$$--Li$$^+$$ distances. Finally, we show that depending on the reference exchange-correlation functional, empirical dispersion correction schemes can be detrimental. All in all, our work shows that machine-learned interatomic potentials are a good fit for the modeling of highly concentrated electrolytes over long timescales.