Microsoft、美國能源部太平洋西北國家實驗室 (PNNL)、IBM 研究院及新澤西理工學院等機構科學家，正借助人工智能 (AI) 及量子技術探索下一代電池材料，期望將傳統需時數十年的研究過程壓縮至數月甚至數週。這些技術在電池開發領域已展現初步成果，為更可持續、高效能的能源儲存技術奠定基礎。
AI 篩選 3,200 萬種化合物發現新型電解質
Microsoft 與 PNNL 在聯合研究中，運用 AI 驅動平台 Azure Quantum Elements，對 3,200 萬種無機化合物進行篩選。研究團隊使用 AI 模型 M3GNet 加速分子動力學模擬，評估原子擴散率等電解質關鍵性能。經過多輪篩選，龐大候選名單在 80 小時內縮減至約 50 萬種穩態候選物，再進一步篩選至 18 種潛力材料，而傳統實驗及計算可能需時數年。
PNNL 團隊隨後合成了最佳候選材料 NaxLi3−xYCl6，這種新型固態電解質將鈉和鋰離子共同嵌入晶體結構。以往因離子尺寸差異和電荷相似，混合離子方案被認為難以實現，但測試後發現鈉、鋰離子可協同加速彼此在電解質通道中的遷移。這種固態電解質有望減少約 70% 鋰用量，在多種溫度下均展現優秀的離子導電能力，為安全、高密度固態電池的實際應用提供支援。
新澤西理工學院以生成式 AI 探索多價離子電池
新澤西理工學院 Dibakar Datta 教授團隊使用機器學習框架，包括晶體擴散變分自動編碼器 (CDVAE) 及大型語言模型，探索多價離子電池技術。多價離子電池採用鎂、鈣、鋁及鋅等可攜帶兩個或三個正電荷的離子，能量儲存潛力遠超傳統鋰離子電池。
研究團隊開發的雙 AI 系統能快速探索數千種新晶體結構，並發現 5 種全新的多孔過渡金屬氧化物結構。這些材料具有大型開放通道，適合讓體積較大的多價離子快速安全地移動。團隊使用量子力學模擬及穩定性測試驗證 AI 生成的結構，確認這些材料可以實驗合成，並具備實際應用潛力。
IBM 引入數碼孿生技術模擬電池性能
IBM 研究院利用經數十億分子訓練的 AI 模型，更高效地識別和改良複雜電解質配方。基礎模型和深度檢索演算法加快了發掘高導電性和穩定電池安全化學品的過程。
IBM 還引入數碼孿生技術，模擬電池在上千次充放電週期後的性能退化。借助這些模型，科學家可在極短時間內預測材料長期表現，遠較實驗室實際測試快速。IBM 與德國 Sphere Energy 合作，利用 AI 驅動的數碼孿生技術加速電動車電池開發，預測準確度高達 99%，可節省數百萬美元及數年道路測試時間。
量子計算為電池研究帶來新突破
Microsoft 與 IBM 均在探索量子計算在電池材料研究中的作用。量子計算能以傳統計算無法達到的細緻度模擬原子和分子互動，實現對複雜固態材料和創新化學體系 (如鋰硫或鈉離子電池) 的精確建模。Hyundai 與 IonQ 合作開發新變分量子本徵解算器 (VQE) 演算法，研究鋰化合物及其化學反應，以改善電池化學特性。量子計算有望進一步加速材料發現過程，提高設計改良水平，實現更持久、更高能量密度的電池。
資料來源:cnBeta
