锂电池电解液中多个锂离子“抱团”现象的实验证据

这是一篇关于锂离子电池电解液微观结构和电解液设计的翻译总结。

1. 背景：在锂离子电池中，电解液内部的溶剂化结构非常重要。所谓溶剂化结构，就是锂离子在溶剂分子和阴离子之间如何被包围、如何彼此分开。它会影响电导率、黏度、锂盐解离程度、电化学稳定窗口、电极表面保护膜形成，以及双电层的组成。过去很难只靠实验看清原子尺度细节，传统分子模拟力场也常常不够适合，因为浓电解液中锂离子的行为和水溶液或蛋白质等体系差异很大；从头算分子动力学又因计算量太大，难以同时兼顾系统大小、时间尺度和精度。

2. 方法：研究团队把机器学习力场模拟、固态核磁共振波谱、电化学数据和量子化学计算结合起来。核心模型是一种高维、电荷递归神经网络力场，文中简称QRNN。它只用大量气相团簇的量子化学数据进行训练，不直接引入宏观实验参数。研究人员在313开尔文下模拟六氟磷酸锂溶于碳酸乙烯酯的电解液，并与传统OPLS4力场对比，同时用核磁共振实验验证预测结构。

3. 主要发现：QRNN模拟发现，在典型锂电池电解液浓度下，存在一种以前较少注意的“多锂离子簇”。这些簇不是单颗锂离子，而是两三个甚至更多锂离子彼此靠近，距离可小至约3埃，周围主要由碳酸乙烯酯溶剂分子稳定，而没有阴离子直接包住。径向分布函数显示，QRNN给出锂离子对锂离子的明显近距离峰值，传统力场没有这种峰值。统计表明，浓度越高，这种簇越常见：在1.2摩尔浓度下，约40%的锂离子出现在多锂簇中；2摩尔浓度下超过68%；0.5摩尔浓度下约23%。

4. 验证：研究用三种方式检验QRNN。第一，量子化学计算表明，QRNN给出的团簇结合能与高精度密度泛函计算差异小于化学精度，而传统力场误差大很多。第二，在含溶剂分子的锂离子距离扫描中，QRNN能重现约2.4至3.0埃的低能稳定距离；额外的高精度从头算模拟也显示双锂簇在真实溶剂环境中可稳定存在。第三，QRNN模拟的纯溶剂密度、电解液黏度、扩散系数和电导率等大量凝聚态性质均与实验相符，说明它虽然来自第一性原理，却能可靠代表复杂液相体系。

5. 核磁共振证据：为看清冻结样品中的微观溶剂结构，研究使用固态核磁共振。锂-7直接极化信号强度最大，说明能检测全部锂环境。氢-1到锂-7交叉极化信号下降，说明碳酸乙烯酯的羰基氧与锂离子结合，而质子方向远离锂离子；氟-19到锂-7交叉极化信号更弱，说明许多锂离子附近没有紧贴的氟阴离子，支持溶剂分离型离子对和多锂簇。碳-13谱也显示，随着锂盐浓度增加，羰基碳峰变宽并出现肩峰。QRNN模拟的核磁共振谱与实验吻合，而传统力场在高浓度下无法再现这些峰形。

6. 还原电位与电池意义：电解液中物种越容易被还原，越会影响负极表面固体电解质界面膜的形成。量子化学计算发现，单锂簇如LiEC4需要较低电压才还原；而多锂簇，尤其是含两个锂离子的簇，其还原电位接近实验中碳酸乙烯酯电解液成膜起始电位约0.8伏。换句话说，多锂簇更容易先被还原，形成初始界面膜。还原后多余电子主要集中在碳酸乙烯酯的碳酸酯部分，多个锂离子还能共同稳定还原后的自由基团簇。这个结果解释了为什么传统经验配方中常含碳酸乙烯酯：碳酸乙烯酯介电常数高、极化能力强，羰基氧又能像桥一样同时靠近多个锂离子，从而在液体里稳定这种特殊的近距离多锂结构。这些多锂簇可能参与锂输运和成膜反应，是决定电池性能和界面质量的重要微观物种。

7. 更广泛启示：本文不仅给出锂电池电解液内部结构的新证据，也证明经过良好参数化的机器学习力场可以在完全不依赖实验拟合的情况下，准确描述复杂化学系统，并达到原子级细节。未来可结合更大规模的图形处理器分子动力学、电极模型、反应化学和电压条件，进一步模拟界面膜形成，指导电解液溶剂、锂盐和添加剂的理性设计，从而开发更高效、更便宜、更稳定的锂离子电池及其他储能电池。