Молекулярный конструктор батарей экспресс
Внутри любой батареи плещется жидкость-электролит, и от того, как в ней толпятся ионы, зависит, сколько энергии батарея отдаст и как долго проживёт. Раньше, чтобы заглянуть в эту толпу, приходилось либо ставить долгие опыты, либо запускать сверхточные расчёты, которые съедают недели компьютерного времени. Теперь появился третий путь: модель, которая учится на миллионах примеров и выдаёт картину почти мгновенно.
Авторы работы взяли две такие модели. Одну учили на неорганических кристаллах — она знает мир твёрдых тел. Вторую учили на наборе OMol25, где собраны десятки миллионов молекулярных конфигураций, включая те, что встречаются в электролитах. Оказалось, что «молекулярная» модель предсказывает плотность и рентгеновские структурные факторы заметно точнее, чем «кристаллическая».
Дальше модель показала, как сольватация меняется от состава: какой катион, какой анион, сколько соли, какая форма у молекулы растворителя. Например, у глимовых электролитов даже лёгкое изменение топологии растворителя заметно перестраивает ионные корреляции. Такая чувствительность к деталям раньше ускользала от грубых моделей.
Теперь инженеры могут перебирать составы электролитов на компьютере, как детали конструктора, и лишь лучшие варианты проверять в лаборатории. Это ускоряет поиск безопасных и ёмких натриевых батарей — а натрий куда доступнее лития.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.20183
Machine learning interatomic potentials (MLIPs) trained on large, chemically diverse datasets are revolutionizing computational chemistry, enabling molecular dynamics simulations of battery electrolytes with near-DFT accuracy over 10,000 times faster than DFT. While previous MLIP training datasets with suitable elemental coverage for electrolytes have been based on inorganic materials, the Open Molecules 2025 (OMol25) dataset provides large-scale molecular DFT MLIP training data with broad elemental coverage and specifically samples tens of millions of electrolyte configurations. Here, we integrate computational modeling with experimental validation to systematically assess the ability of large-scale MLIPs pre-trained on materials data or on OMol25 to accurately resolve nanoscale structural organization and ion-solvation characteristics in Na-ion battery electrolytes across diverse physicochemical conditions and compositional regimes. We find that the OMol25-trained Universal Model of Atoms (UMA-OMol) predicts experimentally measured densities and X-ray structure factors in substantially better agreement compared to state-of-the-art models trained only on inorganic materials data. Using UMA-OMol, we further analyze systematic trends in solvation structure as a function of cation identity, anion chemistry, salt concentration, and solvent topology. We observe that increasing system temperature amplifies the heterogeneity within the solvation environment, perturbing cation-solvent interactions and promoting the formation of contact ion pairs (CIPs). Moreover, subtle variations in the solvent topology of glyme-based electrolytes cause pronounced changes in ion-correlations and solvation structure. The experimental agreement and microscopic insights shown here position OMol25-trained MLIPs as a practical route to predictive, high-throughput electrolyte simulations.
Натрий — шестой по распространённости элемент в земной коре, его можно добывать из обычной поваренной соли, поэтому натриевые батареи потенциально дешевле литиевых.