学术干货 | AI助力能源材料计算模拟设计讲座回顾(一)

能源材料研发传统的实验手段面临着“炒菜”试错的窘境,而过去的计算手段受限于算法效率,无法有效求解实际工业生产中面临的复杂问题。该行业亟需新的生产力工具的诞生,以期加速行业的转型与升级。而伴随着“AI+Science”的浪潮,计算模拟与解决实际问题之间的距离正在被大大缩短。

深势科技主办的AI助力能源材料计算模拟设计系列讲座于2021年7月24日首次展开,邀请了专业领域内的嘉宾进行直播讲座,与大家深入探讨「人工智能+计算模拟」为能源材料研发带来的突破。

为了帮助大家更好地回顾,我们对第一轮系列讲座的内容做了编辑与汇总,供大家参考交流。文章末尾附有讲座PPT的下载链接,大家可按需下载。
第一期:当前学界和业界电池材料研发重点及计算模拟的发力点 点击观看讲座录播

讲座嘉宾:俞之奡,斯坦福大学化学系博士研究生,师从斯坦福大学化工系鲍哲南(Zhenan Bao)教授,以及材料科学与工程系著名华人材料学家、世界高被引科学家崔屹(Yi Cui)教授,从事高能锂电池材料的研究。以第一作者身份在顶级学术期刊Nature Energy、Joule、Advanced Materials发表研究论文。

内容摘要:本报告就目前电池业界与学界目前关注的研发热点、痛点,以及计算模拟的潜在发力点跟我们做了分享。对当前学界和业界的常规的电极材料和液态/常规电解质、新型的电极材料和固态电解质进行分类、总结,并对计算模拟在材料设计、优化、交叉印证等角度的应用进行梳理。最后,对未来电池技术和电池发展方向做出了展望。

Q&A

  • Q:现在基于离子液体的电解液的发展瓶颈和前沿是什么?

    A:我认为瓶颈主要有两个,其中最重要的是成本问题,再有就是粘度对于其在真实工况条件下快充快放的影响。离子液体的电解液是一个很值得发展的方向,目前有很多业界的公司在做这方面的研究。

  • Q:电解液的非共价相互作用和RDF主要影响电池哪些方面的性能?

    A:它们都是帮助我们理解锂离子电池里溶剂化作用的一个过程。我认为对于电解液的溶剂化的研究是非常重要的。目前我们主要还是通过拉曼、红外去观测溶剂化过程,并且可以利用MD模拟更直观地看到分子和锂离子间的相互作用。

  • Q:AIMD精度的定义是什么?是目标性质达到理想误差还是对能量的预测在DFT的精度范围内?

    A:我个人认为,是希望他能达到DFT的精度,尤其是在能量预测方面。同时,我们的目标是能在这种精度下做到更大的尺度。(林峰)精度的定义是一个比较相对的概念,从辅助实验的目的来看,精度要达到实验能接受的程度。DFT无疑是一个精度更高,但相对来说成本也更高的计算方法。绝对的指标则主要是在能量上、化学精度上的绝对误差,但更重要的还是要和实验上的性质进行比较。

  • Q:能介绍一下模拟软件的选择和势能函数的确定吗?

    A:(林峰)模拟是一个很宽泛的概念。目前一些主流的模拟软件,如在最微观原子层面的基于DFT的VASP,在分子层面上的分子动力学软件LAMMPS。势能模型的确定是计算过程中的一个重要部分,像我们的DP,主要解决的就是势能函数模型的问题。关于势能函数的确定,一是要与底层DFT数据进行比较,二是要和实验可测数据进行比较。而在介观尺度上的相场模拟、宏观尺度上的有限元方法甚至工艺上流体的模拟,可以参考之后我们的相关讲座介绍。

  • Q:对安全可长循环的锂金属电池来说,是固态电解质还是液态电解质更有前景?

    A:我个人认为,液态电解液最容易大规模量产化,可以直接和现有生产线匹配,是更为现实的途径。固态电解质在化学材料上和生产上,都还有着更大的研究和发展空间。

  • Q:钠离子在电极中的行为和锂离子有哪些异同?

    A:电极内部我不太了解。在电解液当中,由于钠离子和锂离子的半径、可极化性的不同,溶剂化确实存在些不同的地方。同样的电解液,钠负极和锂负极的差别十分显著。具体的内容可以去看明军老师的一些工作。

  • Q:高镍电池在高温循环后期容易产气,这方面的机理和相关措施您有研究吗?

    A:添加剂对于高镍电池的影响的确非常大,十分微小的剂量都会产生显著的影响。因此如何通过AI高通量筛选更好的添加剂和化学结构,是一个十分值得研究的方向。

第二期:锂电池多尺度模拟及机器学习研究 点击观看讲座录播

讲座嘉宾:陈翔,2016年及2021年分别于清华大学化学工程系获工学学士及博士学位,现为清华大学水木学者博士后,合作导师为张强教授。主要从事能源化学基础理论研究,提出了锂键化学、离子–溶剂结构、亲锂性等概念,注重多尺度模拟计算与机器学习的结合。以(共同)第一作者和共同通讯作者身份在Acc. Chem. Res., Sci. Adv., Chem, Angew. Chem., J. Energy Chem.等期刊发表SCI论文20余篇,H因子34,被引6500余次。

内容摘要:本报告从国内能源材料的相关政策和背景出发,讨论了DFT、MD、AIMD等多尺度模拟方法和机器学习在锂电池研究中的应用。最后,结合多尺度模拟、实验表征和机器学习方法,展望人工智能技术在锂电池研究中的应用,并向我们展示了报告人最近在做的一些电解液和金属负极相关的工作。

Q&A

  • Q:多硫化物的吸附预测是否只能适用于同一类似体系?能否将其推广到其他不同体系?

    A:目前多硫化物的结合能的预测基本上局限于同一类或同一个体系,还没做到很大种类的预测,原因主要是因为多硫化物的吸附相比于其他其他小分子吸附模型来说更为复杂,预测起来很困难。但未来还是很有希望针对不同的体系提出统一的模型。

  • Q:机器学习训练替代薛定谔方程求解,是否可以理解为一种简化薛定谔方程计算的方式?能得到新的东西吗?

    A:机器学习对理论研究方法更多的起一种推动作用。求解薛定谔是量化计算的本质,其主要原理是通过结构信息得到能量和力的信息。而机器学习可以理解为是桥梁,从原子结构出发,跳过薛定谔求解的过程,预测我们感兴趣的性质。

  • Q:AIMD精度的定义是什么?是目标性质达到理想误差还是对能量的预测在DFT的精度范围内?

    A:我个人认为,是希望他能达到DFT的精度,尤其是在能量预测方面。同时,我们的目标是能在这种精度下做到更大的尺度。(林峰)精度的定义是一个比较相对的概念,从辅助实验的目的来看,精度要达到实验能接受的程度。DFT无疑是一个精度更高,但相对来说成本也更高的计算方法。绝对的指标则主要是在能量上、化学精度上的绝对误差,但更重要的还是要和实验上的性质进行比较。

  • Q:计算机视觉可以怎么助力电池的事业发展和研究发展?

    A:计算机视觉可以很好地帮助我们处理实验中得到的谱学数据。

  • Q:在锂电池研究中,MD结果和实验数据的吻合程度如何?MD是主要帮助定性解释还是可以做到定量预测?

    A:我认为我们需要将经典MD和AIMD区分开来看。AIMD的精度更高,但其可应用的体系小和时间范畴都相对较小。经典MD的结果更依赖于精研参数的设计和选取,需要将结果与对应的谱学性质对比。若对比得到的结果差别较大,则需要具体情况具体分析。

  • Q:粗粒化模拟相对于全原子模拟的优势和劣势有哪些?

    A:粗粒化模拟中缺少一部分原子关系的描述,得到的结果的精度相对低一点,但从另一方面来说,它能做更大尺度的模拟。

  • Q:相场模拟可以解决离子电池中哪些问题?

    A:相场围绕电池介尺度研究。比如电池中的形核反应、相变反应,传统方法难以处理的相变问题,负极的析出理论等。可应用范围很广。

  • Q:有没有具体的ML预测电池安全预警的现状和前景?

    A:目前我对这方面的了解还比较少,但这是一项很重要的工作,且除了电池领域外,其他很多领域都在对此展开研究。我的理解是,机器学习可以通过事故电池积累的数据去寻找其背后人为所不能察觉的微小变化的共性,从而展开相应的预警工作。

第三期:深度势能在电池材料原子尺度计算模拟中的应用 点击观看讲座录播

讲座嘉宾:
黄剑兴,2015年本科毕业于厦门大学化学系。目前在厦门大学化学系电化学专业攻读博士研究生,导师为赵金保教授和程俊教授,研究方向为机器学习方法在电池原子尺度计算模拟中的发展与应用。
林敏,2016年本科毕业于合肥工业大学新能源材料与器件专业,在项宏发教授的指导下从事锂离子电池电解液分子理论计算的研究。现为厦门大学化学系物理化学专业博士研究生,师从杨勇教授和程俊教授,最初从事锂离子电池正极/电解液界面反应机理的理论计算研究,现研究方向为锂/钠离子电池正极材料固体核磁共振谱的理论与实验研究,相关工作以第一作者身份在Angew. Chem. Int. Ed., J. Electrochem. Soc.上发表。

内容摘要:本报告介绍了深度势能在电池固态电解质和正极材料两方面的应用。 固态电解质方面,报告人应用基于Deep Potential建立了一套从势函数构建、测试到固体电解质材料扩散系数计算的工作流,且首次使用合理统计的分子动力学研究了位点无序对LiGePS类固体电解质扩散系数的影响。 林敏综合应用多种实验手段和理论模拟方法对正极材料进行了可靠表征,运用DeePMD初步发展了计算快化学交换体系核磁位移的方法,证明了P2型-Na2/3(Mg1/3Mn2/3)O2是由两个相组成,而不是之前认为的单相。

Q&A

  • Q:MD过程中锂原子本身会产生迁移吗?还是仅仅是在晶格点附近振动?如果仅仅只是振动,那计算结果应该就不是扩散系数了?

    A:会迁移,固体电解质体系/电极材料中Li都是会运动的。可以通过模拟中观察MSD大小。

  • Q:请问,怎么在不做DPMD模拟的情况下先验证DP得到的势函数的可靠性呢?

    A:这个似乎是不可能的,做locality test是为了验证机器学习势函数的模型在体系上的可靠性如何。一般而言,绝缘体的势函数使用DP可以比较好近似。

  • Q:请问既然锂离子电导测量值误差比较大,那AIMD计算出来的结果如何判断准确,或者说怎样才能算ab initio精度?还有,小体系因为周期性截断超过盒子大小时因为周期性远处的值有相关性,大体系其实没有,如何证明大体系也是靠谱的?

    A:我的理解是实验室用固体核磁等手段是可以尽可能准确测量扩散系数的,但是成本不同,实验室测量结果要细致比对。ab initio MD 数据可以通过检查force 收敛性判断ab initio设置本身是比较精确的。可以不断的加大体系,看关心的性质是否收敛到一定范围。类似在size-effect中的测试,不断加大,看扩散系数是否收敛。

  • Q:请问,计算扩散系数的时候需要考虑实际过程中Li/Na本身的质量吗?

    A:按照MSD计算不需要。但是质量本身影响了扩散轨迹。

  • Q:AIMD模拟时体系有多少原子?体系太小会有尺寸效应从而影响势函数嘛?比如说Ge的含量很少,抽样数量可能不够。

    A:一般AIMD不超过200个原子。体系太小会影响势函数。分子式为Li20Ge2P4S24 。所以我们扩张到Li360Ge36P72S192 。

  • Q:1000个构形的数据集是不是少了一些?感觉能量变化很小,覆盖的构型空间会不会不够?

    A:我们做了disorder构象数目扩散系数收敛性测试,保证了errorbar在5%上下。增加计算可以更好保证,包括使用一些MC方法寻找结构,但是对定性结论影响不大。

  • 资料获取
    如需获取以上讲座的ppt,敬请关注公众号「深势科技 DP Technology」,在后台回复关键词「能源讲座PPT」,即可获取下载链接。
  • 入群交流
    欢迎加入能源材料计算模拟交流群深入探讨!扫描下方二维码添加微信并备注“能源材料计算模拟交流群”,我们工作人员会尽快邀请您进入群聊。
  • 深势科技

    未来更多讲座和嘉宾信息将在微信群中实时更新提醒,敬请期待!

关于深势科技

深势科技有限公司(“深势科技”)是一家成立于2019年的科技公司,致力于以新一代分子模拟技术解决微观尺度工业设计难题。 以打造切实服务于药企、材料商和科研机构的模拟研发平台为主要业务方向,以解放研发工作者的生产力为主要业务目标。

深势科技具有强大的科研与产业落地能力。其新一代分子模拟算法在保持量子力学精度的基础上,将分子动力学的计算速度提升了至少五个数量级,且对算力的需求与体系的原子数量呈线性依赖;结合高性能计算,能够对数十亿原子规模的体系进行量子力学精度的计算模拟。团队核心成员获得2020年全球计算机高性能计算领域的最高奖项“戈登·贝尔奖”,相关工作当选2020年中国十大科技进展,以及2020年全球人工智能十大科技进展。