2026/07/24
圖文引用自：technews.tw
美國勞倫斯利佛摩國家實驗室（LLNL）近日公布兩項最新研究，成功運用高效能運算（HPC）結合物理導向機器學習（Physics-Informed Machine Learning），大幅加速電池材料的設計進程。這兩項研究分別聚焦於鈉離子電池的「碳負極」與鋰離子電池的「液態電解質」。
LLNL 研究團隊指出，電池材料的結構複雜性不應只是分析上的障礙，反而能轉化為設計優勢。
研究人員透過分子動力學模擬，建立材料在原子尺度上的動態變化，再藉由機器學習模型找出結構、化學組成與性能之間的關聯。這套方法將做為下一代儲能材料高通量篩選（High-throughput screening）的重要基礎。
打造鈉離子傳輸的「原子級影片」
第一篇發表於《Energy Storage Materials》的論文探討了鈉離子電池，研究聚焦於目前最成熟的硬碳（Hard Carbon）負極。由於硬碳內部充滿無序的石墨烯樣片層、孔洞與空隙，鈉離子會在層間移動、附著表面或填入奈米孔中；這使其雖具備極高潛力，卻難以精準設計。
- 模擬原子動態：團隊利用 LLNL 的高效能運算，模擬原子在材料中的運動與交互作用，幾乎像是製做出鈉離子在碳材內擴散、聚集或被困住的「原子級影片」。
- 量化模型建立：研究人員隨後以這些模擬資料訓練模型，將鈉離子運動分成八種不同狀態，並建立微結構與離子傳輸之間的量化對照。
- 關鍵發現：研究發現，隨著碳密度與鈉負載增加，離子更容易聚集或卡在奈米孔中，這將直接影響電池的充放電速率與熱安全性。
從 3D 視角探索鋰電池電解質
另一項刊登於《EES Batteries》的研究，則將同樣的方法應用於鋰離子電池的電解質設計。由於溶劑、鹽類、添加劑與濃度的組合極多，傳統的「試錯法」難以全面篩選。…
