Schrödinger 在《自然》期刊发表最新锂离子电池研究报告。该研究称，公司研究团队与哥伦比亚大学及纽约结构生物学中心研究人员合作，发现了锂离子电池电解液在原子结构上的运作机制，并借助机器学习力场，把电池研发从过去依赖经验法则的方式，推进到可预测规划的设计路径，为未来开发快速充电、高容量和寿命更长的锂离子电池产品提供数据参考。
电解液结构长期限制电池设计
这项研究利用了 Schrödinger 基于物理原理的 AI 运算平台，尝试解决储能设计中长期存在的研究瓶颈。
在锂离子电池系统中，电解质会直接影响电导率、黏度、盐解离程度和电化学稳定性等关键物理特性。电解质也会直接驱动固态电解质界面的形成。固态电解质界面是生成在电池负极表面的一层保护膜，它的稳定性和质量，直接关系到电池整体的循环寿命与运行安全。
不过，科学界过去对电解质结构如何在原子层级影响这些性质，理解仍然有限。以往模拟复杂电池化学系统时，计算条件的限制经常迫使研究人员在量子精度与大规模模拟之间取舍：选择高精度量子力学计算，就难以扩大原子尺度和时间跨度；选择大规模模拟，则要牺牲对原子间作用力的精确刻画。
Schrödinger 副总裁 Mat Halls 表示，过去模拟复杂电池系统时，科学家不得不在量子精度和大规模模拟之间做选择，而公司的机器学习力场技术消除了这一限制。
机器学习力场发现未曾报道的结构现象
研究团队利用 Schrödinger 的机器学习力场，对锂离子电池电解质进行了分子动力学模拟。结果显示，锂离子在电解液中经常形成由碳酸乙烯酯溶剂分子配位的聚集簇，而且这种聚集簇可以在没有阴离子参与的情况下独立存在。报道将其称为基础化学领域此前未曾发现的结构现象。
Schrödinger 联合创始人 Richard Friesner 表示，团队借助机器学习力场发现，电池中的锂离子会在没有阴离子的情况下聚集成簇，而这些簇驱动了电池表面保护膜的形成过程。
Richard Friesner 还表示，团队对这类化学反应作出的计算预测，随后通过实验验证，说明基于物理原理的运算平台能够精确模拟电池中隐藏的原子细节。这些结果也显示，大多数复杂化学机制都可以利用机器学习力场技术进行基于物理原理的预测性模拟。
实验比对支持多锂离子簇结论
研究归纳出数项发现。首先，在标准电池电解液环境中，最高 40% 的锂离子会聚集形成多离子簇；在高盐浓度电解液条件下，这种聚集现象更为普遍。这一结果打破了过去认为锂离子主要以孤立、被溶剂包覆形式存在于溶液中的传统假设。
其次，机器学习力场的模拟结果被描述为具有很高精度，并与多项凝聚相实验数据高度吻合。研究团队进行了实验比对，称模拟预测与核磁共振谱、电解液密度、液体黏度、离子电导率以及扩散系数等实测数值保持一致，从物理层面支持这些预测出的多锂离子簇真实存在。
结果还显示，这些多锂离子簇具有独特且易于还原的电位特性，对调控固态电解质界面的质量具有决定性作用。研究认为，这些新见解为未来电池开发提供了数据支持。