用于辅助筛选锌离子电池正极材料的轨道-几何原子线图神经网络-VoltaDelta框架

《JOURNAL OF POWER SOURCES》：Orbital-geometric atomic line graph neural network-VoltaDelta framework for assisted screening of zinc-ion battery cathode materials

　　

为应对锌离子电池（zinc-ion batteries, ZIBs）正极材料大规模筛选中成本高、效率低的问题，研究人员开发了一种基于图神经网络（graph neural network, GNN）的方法。本研究构建了一种新的轨道-几何原子线图神经网络-VoltaDelta（Orbital-Geometric Atomistic Line Graph Neural Network-VoltaDelta, OG-ALIGNN-VD）框架。该工作的核心在于引入原子轨道特征编码机制与几何感知Transformer模块，从而使模型突破传统原子描述符的限制，实现电子结构信息与局域原子环境感知的深度融合。基于这种增强的原子表征，研究进一步通过VoltaDelta（VD）模块探索热力学性质与电化学指标之间的映射关系，实现对电压、容量、电子电导率和热稳定性的协同关联分析。与基线模型相比，该框架将原子能、形成能等关键性质的预测精度提高了10.59%–30.83%；更重要的是，作为一种探索工具，该框架在未输入任何实验电压数据的前提下，从超过200,000种无机物中识别出59种同时满足高性能标准的候选材料。其中14种已被实验发现，其余45种为尚未得到充分探索的新型候选材料。

该文发表于《JOURNAL OF POWER SOURCES》，聚焦于锌离子电池（zinc-ion batteries, ZIBs）正极材料的大规模智能筛选问题。研究背景在于，ZIBs因安全性高、环境友好、成本低、锌资源丰富以及相对较低的还原电位（?0.76 V vs. SHE）而被视为下一代大规模储能体系的重要候选。然而，决定器件成本与电化学性能的核心环节之一是正极材料的选择。现有已报道正极体系包括锰基化合物、钒基化合物、普鲁士蓝类似物、多阴离子化合物和有机材料，但普遍面临能量密度不足、活性物质溶解、副产物不可控、循环寿命短和工作电压偏低等问题。已有研究还指出，结构不稳定、Zn²⁺扩散动力学迟缓以及严重的界面副反应，仍是限制水系锌离子电池（aqueous zinc-ion batteries, AZIB）正极实用化的关键瓶颈。因此，开发兼具高可逆容量、优异循环稳定性与适宜工作电压的正极材料，已成为推动ZIBs技术突破的关键科学问题。传统实验筛选路径不仅成本高，而且难以支撑大规模候选材料验证；同时，依赖密度泛函理论（density functional theory, DFT）的计算筛选虽然可靠，但计算代价高、效率不足，也难以满足超大材料空间的快速探索需求。

在这一背景下，人工智能（artificial intelligence, AI）与机器学习（machine learning, ML）在能源材料研究中的快速发展，为电池材料发现提供了新的方法学基础。尽管随机森林（random forest, RF）、支持向量回归（support vector regression, SVR）和XGBoost等传统模型已被用于部分电极材料性质预测，但这类方法受限于数据规模、特征表达能力与泛化性能，难以有效刻画晶体材料复杂的结构-性质关系。相比之下，晶体图卷积神经网络（crystal graph convolutional neural network, CGCNN）、SchNet、改进型晶体图卷积神经网络（improved crystal graph convolutional neural network, iCGCNN）以及原子线图神经网络（Atomistic Line Graph Neural Network, ALIGNN）等图神经网络模型，已经表现出接近第一性原理计算的预测能力与更高的计算效率。然而，在ZIBs正极材料的大规模预测筛选方面，现有研究仍存在筛选范围窄、吞吐量低、第一性原理计算耗时长以及模型预测精度不足等短板。基于此，研究人员提出OG-ALIGNN-VD框架，旨在系统建立原子尺度性质与宏观电池性能指标之间的联系，从而为锌离子电池正极材料的高通量筛选提供可靠工具。

研究人员首先在ALIGNN基础上构建OG-ALIGNN变体，通过引入原子轨道特征与局域几何信息，增强模型对电子结构和局域化学环境的表达能力，从而提升关键原子性质预测的可靠性。进一步地，研究结合电化学与热力学之间的内在关系，设计VoltaDelta（VD）模块，将原子性质预测与关键电池性能指标连接起来，实现对电压、容量、本征电子电导率与热稳定性的联合评估。通过该框架，研究人员从超过200,000种无机材料中筛选出一系列具有潜力的高性能候选体，最终获得59种在多项指标上表现优异的正极候选材料。结果中包含MnO₂、V₂O₅等多个已有实验验证材料，其预测电压与实验值高度一致，说明所建立的热力学-电化学关联具有较高可信度；同时还发现了MnPO₄、VN和MnS₂等尚未被广泛研究的新候选体系，体现出该框架在新材料发掘中的探索价值。

主要技术方法概括如下：研究人员通过Materials Project（MP）数据库及其API，从约200,000种无机材料中提取含锌化合物ZnaX及其嵌锌前宿主材料X，构建14,694组电极对；以OG-ALIGNN、ALIGNN和CGCNN对形成能（E_f）、原子能（E_e）、带隙（E_g）和距凸包能（E_hull）等性质进行预测，并采用平均绝对误差（mean absolute error, MAE）评估模型性能；在此基础上，利用VD模块计算相对于Zn/Zn²⁺参比的电压与容量，并结合热稳定性与电子结构指标开展多参数联动筛选。

以下结合文中主体内容，对研究结果进行归纳解读。

Methods
研究建立了一个面向ZIBs正极筛选的完整流程。首先，从MP数据库中收集候选无机材料，并依据含锌化合物及其对应宿主材料之间的关系形成电极对。随后，借助VD模块计算这些电极组合相对于Zn/Zn²⁺的理论电压（V_MP）和容量。在模型层面，研究以ALIGNN为基底，引入原子轨道特征编码机制和几何感知模块，形成OG-ALIGNN，以增强模型对电子结构与局域原子环境的联合表征能力。这一设计使模型不再局限于传统元素级描述符，而能够更细致地反映成键环境和晶体局域构型差异，从而为后续热力学及电化学性能推断提供更坚实的数据基础。

Model performance analysis
在模型性能分析部分，研究人员使用OG-ALIGNN、ALIGNN和CGCNN对多种材料性质进行预测，包括形成能E_f、原子能E_e、带隙E_g和距凸包能E_hull，并以平均绝对误差MAE作为核心评价指标。研究强调，为保证比较公平，不同模型在相同数据集和训练条件下进行评估。结果表明，OG-ALIGNN在关键性质预测方面优于基线模型，整体精度提升达到10.59%–30.83%。这一结果说明，原子轨道特征和局域几何信息的引入有效增强了模型对晶体材料本征性质的学习能力，也证明更丰富的原子级表示对于预测电池材料基础热力学参数具有显著价值。由于这些基础参数直接关系到后续电压、容量、导电性和稳定性的推断，因此该性能提升不仅是数值意义上的优化，更构成了整个筛选框架可靠性的关键前提。

在进一步的应用层面，研究通过VD模块把热力学性质与电化学指标关联起来，实现从基础材料性质到电池关键性能指标的映射。与依赖实验电压数据直接训练预测器的方案不同，该研究强调在没有实验电压输入的条件下，利用材料本征性质及其热力学联系推断电化学行为。这种路径使筛选过程更具可扩展性，也减少了实验数据稀缺造成的模型偏差风险。

Screening of cathode materials for ZIBs
在筛选结果方面，研究人员将OG-ALIGNN-VD框架应用于超过200,000种无机物的大规模探索，最终识别出59种同时满足高性能标准的ZIBs正极候选材料。这些材料是通过多指标协同筛选获得的，评价维度覆盖电压、容量、本征电子电导率和热稳定性，而非仅依据单一性能指标进行排序。研究指出，在这59种候选材料中，有14种已经被实验发现，表明该框架具有较强的现实吻合性和外部验证能力。其余45种则为尚未被充分探索的新候选体系，显示出模型在未知材料空间中的发现潜力。

该结果具有两方面重要意义。其一，从方法学上看，研究证明图神经网络与热力学-电化学关联模块的结合，可以在不依赖大规模实验电压标签的情况下，完成高通量、低成本且相对可靠的材料筛选。其二，从应用层面看，框架不仅重新识别了MnO₂和V₂O₅等经典候选材料，还提出了MnPO₄、VN、MnS₂等值得进一步实验验证的新体系，表明其不仅能“找回已知正确答案”，也能够“提出潜在新答案”。

关于结果的可信度，文中明确指出，多种实验已知材料的预测电压与实验值表现出良好一致性。这说明VD模块所建立的热力学-电化学映射关系具有实际解释力，也从侧面印证了OG-ALIGNN在底层性质预测上的准确性。更进一步地，这种从原子级表征增强到多指标联合筛选的链式设计，使框架兼具预测能力与材料发现能力。

讨论部分可以概括为：该研究所提出的框架并不仅仅是一个单纯的性质预测器，更提供了一种理解基础原子性质与宏观电池性能之间关系的研究视角。通过轨道与几何特征增强原子表示，模型为材料性质预测建立了更可靠的表征基础；通过VD模块，则把热力学信息有效转化为对电池关键性能的联合分析能力。研究的核心价值在于，以较低成本突破了传统实验和DFT主导筛选模式在规模与效率上的限制，为锌离子电池正极材料发现提供了可扩展的新范式。同时，该工作也表明，在电池材料研究中，若能充分挖掘微观原子性质与宏观器件指标之间的内在联系，图神经网络模型将有望成为连接材料数据库、理论计算与实验开发的重要桥梁。

研究结论部分可译述为：总之，本研究提出并应用的OG-ALIGNN-VD模型框架不仅是一种预测工具，也是一种用于探索和解释基础原子性质与宏观电池性能之间关系的研究视角。通过利用轨道特征和几何特征增强原子表征，该框架为材料性质预测提供了可靠基础。借助这一框架，研究人员识别出59种有前景的正极候选材料。