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
2022-05-16
SCID: 54.1/sxs9bdke
Discuss with AI
молекулярная динамика из первых принциповионная проводимостьжидкие электролитымолекулярная динамика с машинным обучениеммолекулярно-динамические моделирования
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Жидкие электролиты для перезаряжаемых аккумуляторных батарей
Research Subject
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
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Хорошо регулируемый метод на основе электростатического потенциала с ограничением зарядов для вывода атомных зарядов: модель RESP1993
Электролиты и интерфейсы в литий‑ионных батареях и за их пределами2014
О представлении химических окружений2013
Обзор перезаряжаемых батарей для портативных электронных устройств2019
Потенциалы межатомного взаимодействия на основе машинного обучения как перспективные инструменты материаловедения2019
Машинное обучение универсального межатомного потенциала для кремния2018
Атомное представление химического происхождения и изменения диэлектрической проницаемости в жидких электролитах2021