生成式 AI 在多价离子电池掏浆氧化物材料发现中的应用

推进多价离子电池的关键挑战在于寻找合适的离子嵌入宿主材料。具有一维通道或纳米孔的开放通道氧化物因其有效离子传输能力而备受期待。然而，构成可能性的广泛范围使得传统实验和量子方法在大规模研究中难以实用。本 work 提出一种生成式 AI 框架，采用晶体扩散变分自编码器（CDVAE）和微调后的大型语言模型（LLM）以加速发现面向多价离子电池的稳定开放通道氧化物材料。通过将机器学习与数据挖掘技术相结合，我们生成了五种具有潜力的过渡金属氧化物（TMO）结构。这些结构因其形成开放通道氧化物框架的特性而备受关注。我们通过密度泛函理论（DFT）对其进行结构验证。结果表明，所生成的结构在 formation 能量上优于类似组成的材料数据库（Materials Project, MP）中的结构，表明其热力学稳定性更佳。此外，采用基于图的 M3GNet 模型进一步松弛所生成的结构，为相较于 DFT 提供了更具计算效率的替代方案。基于机器学习的 formation 能、带隙和能量超越 hull 的预测进一步细化了筛选过程，最终识别出具有显著潜力可用于实际电池应用的材料。该研究表明生成式 AI 在快速探索 TMO 化学空间方面的强大能力，为发现面向多价离子电池的稳定开放通道氧化物提供了新方法。结果凸显了该方法在为更可持续的能源存储技术贡献方面的潜力，尤其是针对锂稀缺性问题。