人工智能发现固态电池中“类液体”离子流动的隐藏信号

本文介绍了一项突破性研究：传统计算方法难以高效模拟晶体中离子呈现‘类液体’运动（即快速无序迁移）时的物理行为，因其动态无序性强、计算量极大。为解决这一难题，研究团队构建了一套机器学习加速工作流——将机器学习力场与张量型机器学习模型结合，用于高精度模拟拉曼光谱。他们发现，当离子在晶格中像流体般快速移动时，会短暂破坏晶格对称性，从而‘放宽’常规拉曼选择定则，产生显著的低频拉曼散射信号；该信号强度与离子迁移率直接相关，可作为识别超离子导体的可靠光谱指纹。该方法在真实温度下对复杂无序材料（如钠离子导体Na₃SbS₄）实现了接近第一性原理精度的振动谱模拟，同时计算成本大幅下降。实验验证表明：显示强低频拉曼峰的材料，确实具有高离子扩散系数和晶格动态弛豫行为；而仅靠离子在固定位点间‘跳跃’传导的材料则无此信号。这说明拉曼光谱不仅能反映离子是否快，还能揭示其传导机制是‘流动式’还是‘跳跃式’。更进一步，该方法将拉曼选择定则破缺现象的适用范围从传统超离子晶体拓展至更广泛的扩散型材料，打通了原子尺度模拟与实验测量之间的桥梁。借助这一ML驱动的拉曼分析流程，科研人员可高效评估候选材料，推动数据驱动的能源存储材料研发，加速高性能全固态电池技术落地。相关成果发表于国际期刊《AI for Science》。