《Advanced Intelligent Systems》：Predicting Crystal Structures and Ionic Conductivities in Li3 YCl6?x Brx Halide Solid Electrolytes Using a Fine-Tuned Machine Learning Interatomic Potential
编辑推荐：
本研究针对开发下一代固态电池所需的卤化物固态电解质(SEs)中离子传输机制不明确、计算模拟成本高昂的挑战，研究人员对通用机器学习原子间势CHGNet进行系统化迭代式精细调优，成功构建了可准确预测Li3YCl6-xBrx三元卤化物家族晶体结构、相稳定性和锂离子动力学的势函数。该方法在降低四个数量级计算成本的同时实现了近ab initio精度，揭示了卤化物组成对离子电导率的调控规律，为复杂SEs的理性设计与性能优化建立了高效可靠的模拟框架。
能源存储领域正经历一场深刻的变革，固态电池被视为下一代高能量密度、高安全性储能器件的希望之星。与传统锂离子电池使用易燃的液态电解质不同，全固态电池(ASSBs)使用固态电解质(SE)取而代之，这不仅有望彻底解决电池燃烧爆炸的安全隐患，还能实现更高的能量与功率密度，并兼容锂金属等高容量负极。然而，要将这些理论优势转化为现实产品，材料科学家们面临着一系列艰巨挑战，其中，寻找并设计出兼具高离子电导率、宽电化学稳定窗口、良好机械性能与界面稳定性的固态电解质，成为制约ASSBs发展的核心瓶颈之一。
近年来，一类名为三元金属卤化物的材料（通式为Li3M1A6-xBx，M为Y、Er、In等，A、B为Cl、Br、I）脱颖而出，成为极具前景的固态电解质候选者。它们不仅与4V级高电压正极材料兼容，还展现出优异的机械和热稳定性，其室温锂离子电导率甚至可超过1 mS cm-1。更吸引人的是，通过调整卤素组成（例如在Li3YCl6-xBrx系列中调节x值），可以对其离子电导率进行“微调”，这为性能优化开辟了广阔的组成设计空间。实验发现，该系列材料在特定组分附近（如x≈1.5）离子电导率出现峰值，并伴随晶体结构从三方相向单斜相的转变，但这种结构变化与离子传输增强之间的内在联系仍是一个未解之谜。
要理解并最终设计出具有更高离子电导率的卤化物电解质，必须从微观层面厘清其组成、结构与阴离子替代如何影响锂离子的迁移路径。然而，广阔的组成空间以及实验手段在直接探测原子尺度扩散过程上的局限性，使得整合计算与实验的研究方法变得不可或缺。原子尺度模拟，特别是分子动力学(MD)模拟，能够为理解锂离子扩散机制和结构-传输关系提供宝贵见解，从而帮助筛选最有前景的材料组成。
MD模拟的准确性高度依赖于对材料势能面(PES)的描述。传统上，PES要么通过密度泛函理论(DFT)等第一性原理方法获得，精度高但计算成本极其昂贵，难以模拟纳米秒尺度的扩散过程；要么通过经验力场获得，计算快但精度和迁移性有限。机器学习原子间势(MLIPs)的出现，为这一困境提供了新的解决方案。MLIPs能够以接近DFT的精度来近似PES，同时将计算成本降低数个数量级。其中，在庞大材料数据库上预训练的通用MLIPs(uMLIPs，如CHGNet、M3GNet)理论上可以对多种化学体系具有良好的泛化能力。然而，当将这些“通用”模型应用到卤化物固态电解质这类新材料体系时，其预测可靠性仍不确定。因此，通常需要针对特定体系进行“精细调优”，才能获得可靠的定量预测结果。
发表在《Advanced Intelligent Systems》上的这项研究，正是为了回答上述问题。研究人员深入探究了卤化物固态电解质中的锂离子传输，阐明了在Li3YCl6-xBrx(LYCB)家族中，晶体结构、化学计量比和阴离子替代如何共同调控离子电导率。他们首先提出了一种高效精准的策略，从实验测得的无序结构出发，通过系统枚举和能量排序，生成有序的结构模型，为后续模拟提供了物理上合理的起点。进而，他们开发了一种受活性学习启发的迭代式精细调优流程，将目标明确的DFT数据生成与自适应模型优化相结合，对预训练的CHGNet模型进行调优，使其能以高出四个数量级的计算效率，高保真地复现LYCB化合物的势能面，从而实现纳米尺度的分子动力学模拟。最后，他们系统评估了阴离子替代对相稳定性和锂离子传输的影响，揭示了LYCB体系中离子电导率变化的微观机理。
为开展此项研究，作者主要应用了以下几项关键技术方法：首先，基于实验解析的结构，利用enumlib库进行对称性不等价有序构型的系统枚举，并借助M3GNet等uMLIP进行快速优化与能量排序，以确定低能有序模型。其次，设计了一套迭代式精细调优工作流，该流程整合了由调优中MLIP驱动的有限温度分子动力学模拟（使用LAMMPS软件）和基于这些模拟轨迹采样结构的静态DFT计算（使用VASP软件），以生成针对性的训练数据，逐步提升CHGNet模型在目标体系上的预测精度。最后，利用精细调优后的势函数，在NPT系综下进行长时间分子动力学模拟，通过分析锂离子的均方位移，依据爱因斯坦关系与能斯特-爱因斯坦方程，计算自扩散系数、活化能及离子电导率等关键传输性质。
2.1 结构枚举与基于能量的排序
研究的初始挑战在于确定合适的初始结构。实验精修的Li3YCl6和Li3YBr6结构在锂和钇位点上存在部分占位，呈现本征无序性。为从近乎无穷的构型中找到低能有序排列，研究人员采用了一种高效的策略：先从实验结构构建超胞，利用enumlib枚举所有对称性不等价的有序构型，然后使用预训练的M3GNet模型对这些构型进行快速优化和能量排序。对于LYC和LYB，他们分别从数千个构型中筛选出能量最低的20个，并用DFT进一步验证和确定最终的低能有序模型（LYC0和LYB0）。该方法被成功扩展到混合卤化物LYCB系列，通过在不同母体晶格中系统替代Cl/Br，并重复枚举排序流程，得到了涵盖整个组成范围（x=0到6）的有序结构模型，为后续的精细调优和扩散模拟提供了基础。
2.2 CHGNet在能量和体积预测方面的性能
为评估基线性能，研究人员将预训练的CHGNet与DFT参考数据进行了比对。对于0K结构，CHGNet能较好地复现能量趋势，但在有限温度下，其能量预测在高温时（如600K）会出现较大偏差。更重要的是，在NPT系综的分子动力学模拟中，预训练的CHGNet在高温下（>500K）会显著高估晶胞体积，甚至出现模拟失稳、体积发散的情况。这些失败表明，预训练模型在捕捉有限温度下遇到的热力学和结构多样性方面存在局限，凸显了对体系进行针对性精细调优的必要性。
2.3 利用有限温度数据精细调优CHGNet
为解决上述问题，研究团队实施了一个迭代式精细调优方案。该方案以渐进的方式，将来自LYC和LYB在逐渐升高温度（200K, 400K, 600K, 800K）下的MD轨迹中提取的代表性结构及其DFT计算数据，不断加入到训练集中，依次训练出CHGNet_200K、400K、600K、_800K等模型。这种逐步引入更广泛构型多样性的方法，显著提升了模型在所有评估指标（能量、力、应力）上与DFT的一致性。其中，CHGNet_600K模型在精度与稳定性之间取得了良好平衡，其能量、力和应力的平均绝对误差分别低于3.5 meV/atom、50 meV/?和85 MPa。尤为重要的是，经调优的模型在高达800K的长时间NPT模拟中保持稳定，而预训练模型在此条件下已失效。
2.4 LYC和LYB化合物中的锂离子扩散
使用CHGNet_600K势函数，研究者在NPT平衡后的晶胞中进行了2纳秒长的NVT分子动力学模拟，温度范围覆盖400K至750K，以此量化LYC和LYB中的锂离子传输。他们提取了自扩散系数、活化能和室温离子电导率。当使用1 bar压力下平衡的晶胞（代表与DFT一致的体积）时，预测的电导率较高；而当使用10 kbar压力下平衡的晶胞（体积更接近实验值）时，预测的电导率与ab initio分子动力学(AIMD)结果更为吻合。对均方位移和锂离子概率密度图的分析揭示了LYC和LYB在扩散机制上的鲜明对比：LYC中的锂离子扩散表现出高度各向异性，沿c轴的扩散系数比ab面内快2-3倍，迁移主要通过沿c轴的相邻面共享八面体位点之间的通道进行；而LYB中的扩散则近乎各向同性，迁移完全通过边共享路径进行。
2.5 卤化物替代对相稳定性和锂离子传输的影响
最后，研究者考察了Cl/Br替代对混合LYCB系列相稳定性和锂离子传输的影响。通过计算三方相和单斜相之间的总能量差，他们发现两种相在零温下能量非常接近（仅相差数meV/atom），表明在有限温度下熵效应将占主导，这可能促进两相共存和堆垛 faults的形成，与实验观测一致。在富溴组成（x>3.5）下，单斜相在能量上更稳定，这与实验报道的相变范围相符。对于具有单斜结构的富溴LYCB组成，研究表明随着Cl含量增加（x值减小），室温锂离子电导率在x<4.5后单调上升，同时活化能降低，这归因于晶格中无序和应变的增加降低了扩散能垒。尽管模拟未能完全复现实验报道的在x≈1.5处的电导率峰值，但预测值接近实验，并表明通过Br/Cl替代可以有效增强LYB的离子电导率。
本研究建立了一个高效、可迁移的框架，用于通过针对性精细调优通用机器学习原子间势来模拟卤化物固态电解质中的锂离子传输。从实验精修的无序结构出发，通过系统枚举和排序获得低能有序模型，进而利用迭代式精细调优流程，将预训练的CHGNet模型适配于卤化物体系，使其在能量、力和应力张量预测上恢复了近DFT精度，并稳定了高达800K的NPT模拟，从而能够对全组分范围的LYCB进行纳秒尺度分子动力学模拟。经调优的模型在计算成本降低超过四个数量级的同时，与DFT和AIMD达到了定量一致，并且在整个LYCB系列中保持良好的可迁移性。该工作不仅复现了已知现象，更深入揭示了LYC中锂离子迁移的各向异性、LYB中的各向同性传输，以及压力和组成对离子电导率的调控作用。更重要的是，它证明了针对特定体系精细调优通用机器学习原子间势，能够有效桥接计算效率与预测精度之间的鸿沟，为那些目前难以被高通量DFT数据库覆盖的复杂、部分无序材料提供了切实可行的预测性建模途径。此项研究为通过整合探索结构、性质与传输来加速发现和优化下一代固态电解质奠定了方法学基础。
