麻省理工學院開發機器學習方法 改良鈉金屬電池電解質設計

美國研究人員創造了一種機器學習引導的方法，以設計更優質的鈉金屬電池電解質。麻省理工學院（MIT）團隊的研究成果可能有助於使這種低成本的能源儲存技術在大規模應用中變得更具可行性。該研究針對一個關鍵挑戰：鈉金屬電池的高度反應性特性，這影響其穩定性與快速充電能力。根據研究人員的説法，通過使用人工智能（AI）結合實驗測試，他們識別出有前景的電解質配方，這能夠使基於豐富鈉的電池取代像鋰、鈷和鎳這樣稀缺的材料。

智能鈉電池的開發讓 MIT 團隊設計出了一種 AI 引導的方法，用於設計先進的電解質，這可能顯著改善鈉金屬電池，將這種低成本的能源儲存技術推向商業化應用。該研究專注於限制鈉金屬電池的一個主要技術障礙：電解質。電解質與陽極和陰極一起，是電池的三個基本組件之一。在充電和放電過程中，它負責在電極之間運輸帶電鈉離子。然而，傳統電解質經常與電極反應，引發不必要的化學反應，產生絕緣副產物，阻礙離子運動，並縮短電池壽命。

鈉的豐富程度約為鋰的 1000 倍，按重量計算，成本約為鋰的百分之一。

AI 加速電解質設計

MIT 團隊致力於設計在化學上穩定的電解質，同時能夠促進快速的離子傳輸。實現這兩者一直是個挑戰，因為提高導電性通常會以長期穩定性為代價。研究人員基於先前的發現進行研究，該發現涉及一種名為 DMTMSA 的磺酰胺基溶劑，該溶劑在鋰金屬電池中顯示出卓越的化學穩定性。他們假設具有相似化學結構的較小分子也能提供同樣的穩定性，並允許鈉離子更快地通過電解質。根據團隊的説法，溶劑大小在離子流動性中起著關鍵作用。

較小的溶劑分子在鈉離子周圍形成更緊湊的殼層，減少離子在電池電極之間移動時的阻力。更快的離子傳輸意味著更快的充電、更高的功率輸出以及整體電池性能的改善。

為了加速搜索，團隊開發了一條機器學習引導的分子設計流程。在 24 小時內，AI 系統生成了約 100,000 個候選溶劑分子。這些分子根據與 DMTMSA 的結構相似性、電子特性和其他化學性質進行計算篩選，最終縮小到 200 個有前景的候選者。在這個池中，研究人員選擇了 27 個代表性分子進行在相同測試條件下的實驗評估。實驗結果顯示，其中一種表現優異的分子是 DMFSA，該分子在候選者中擁有最小的分子大小，並具備優越的電化學性能，實現了快速的鈉離子傳輸及對電池電極降解的強穩定性。

新電解質工程策略的應用

這項工作引入了一種新的電解質工程策略，結合了機器學習與分子設計原則。該 AI 引導的工作流程迅速生成、篩選和優先考慮有前景的候選者進行實驗驗證，從而顯著縮短了開發時間。研究人員已經啟動了項目的下一階段，利用 DMFSA 作為新的起點，發現更小且更高效的溶劑分子。除了鈉金屬電池外，團隊認為這一設計框架可應用於廣泛的下一代電池化學中。通過 AI 驅動的篩選優化溶劑大小和分子相似性，該方法可能加速安全、更快充電和更長壽命的能源儲存系統的開發，適用於電動車、電網儲存及其他高性能應用。

「由於這一概念具有廣泛的適用性，其影響可超越鈉電池，並影響多種未來能源儲存技術的設計。」麥吉爾大學材料工程副教授李振赫（Jinhyuk Lee）在一份聲明中表示。