Применение классического, неэмпирического и машинно-обучаемого моделирования молекулярной динамики к жидким электролитам для перезаряжаемых батарей

Applying Classical, Ab Initio , and Machine-Learning Molecular Dynamics Simulations to the Liquid Electrolyte for Rechargeable Batteries
Qiang Zhang, Xiang Chen, Zhongheng Fu, Nan Yao
2022-05-16

молекулярная динамика из первых принциповионная проводимостьжидкие электролитымолекулярная динамика с машинным обучениеммолекулярно-динамические моделирования
Перезаряжаемые батареи стали незаменимой частью повседневной жизни и рассматриваются как перспективная технология для создания устойчивых энергетических систем в будущем. Жидкий электролит является одним из наиболее важных компонентов батареи и имеет критическое значение для стабилизации границ раздела электрод–электролит и создания безопасных батарей с длительным сроком службы. Значительные усилия направлены на разработку новых растворителей, солей, добавок и составов электролитов, при этом моделирование молекулярной динамики (MD) играет все более важную роль в изучении структуры электролитов, физико-химических свойств, таких как ионная проводимость, и механизмов межфазных реакций. В данном обзоре представлен обзор применения методов моделирования молекулярной динамики для изучения жидких электролитов в перезаряжаемых батареях. Сначала обобщаются основы и последние теоретические достижения в трех классах моделирования молекулярной динамики, включая классическое, неэмпирическое и машинно-обучаемое моделирование молекулярной динамики (раздел 2). Далее последовательно рассматривается применение моделирования молекулярной динамики к исследованию жидких электролитов, включая изучение объемной структуры и структуры границ раздела (раздел 3), определение макроскопических свойств, таких как ионная проводимость и диэлектрическая проницаемость электролитов (раздел 4), а также выявление механизмов реакций на границе раздела электрод–электролит (раздел 5). Наконец, представлены общие выводы и содержательная перспектива, охватывающая текущие проблемы и будущие направления применения моделирования молекулярной динамики к жидким электролитам. Особое внимание уделено технологиям машинного обучения как средству решения сложных задач, стоящих перед моделированием молекулярной динамики и исследованием электролитов, а также содействия рациональному проектированию современных электролитов для перезаряжаемых батарей следующего поколения.
1
Методы машинного обучения рассматриваются как перспективный инструмент решения вычислительных задач и рационального проектирования передовых электролитов.
2
Моделирование методом молекулярной динамики исследует объемные и межфазные структуры электролитов, физико-химические свойства и механизмы реакций на границе электрод–электролит.
3
С помощью моделирования можно получать макроскопические свойства электролитов, включая ионную проводимость и диэлектрическую проницаемость, исходя из молекулярного поведения.
4
В обзоре сравниваются методы классической, ab initio и машинно-обучаемой молекулярной динамики для изучения жидких электролитов аккумуляторных батарей.
5
В обзоре определены текущие проблемы и перспективные направления применения молекулярной динамики для создания более безопасных и долговечных аккумуляторов.

Жидкие электролиты для перезаряжаемых аккумуляторных батарей

Объемные и межфазные структуры, физико-химические свойства, включая ионную проводимость и диэлектрическую проницаемость, а также механизмы реакций на границе раздела электрод–электролит

Publication Details
Publication Date
2022-05-16
Journal
Publisher
ISSN
Cited by
565
Access Type
Author Information
Authors
Qiang Zhang
Xiang Chen
Zhongheng Fu
Nan Yao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%