Microsoft、美国能源部太平洋西北国家实验室 (PNNL)、IBM研究院及新泽西理工学院等机构科学家，正借助人工智能 (AI) 及量子技术探索下一代电池材料，期望将传统需时长十年的研究过程压缩至数月甚至数周。这些技术在电池开发领域已展现初步成果，为更可持续、高性能的能源存储技术奠定基础。
Microsoft与PNNL在联合研究中，运用AI驱动平台Azure Quantum Elements，对3,200万种无机化合物进行筛选。研究团队使用AI模型M3GNet加速分子动力学模拟，评估原子扩散率等电解质关键性能。经过多轮筛选，庞大候选名单在80小时内缩减至约50万种稳态候选物，再进一步筛选至18种潜力材料，而传统实验及计算可能需时常年。
PNNL团队随后合成了最佳候选材料NaxLi3−xYCl6，这种新型固态电解质将钠和锂离子共同嵌入晶体结构。以往因离子尺寸差异和电荷相似，混合离子方案被认为难以实现，但测试后发现钠、锂离子可协同加速彼此在电解质信道中的迁移。这种固态电解质有望减少约70%锂用量，在多种温度下均展现优秀的离子导电能力，为安全、高密度固态电池的实际应用提供支持。
新泽西理工学院Dibakar Datta教授团队使用机器学习框架，包括晶体扩散变分自动编码器 (CDVAE) 及大型语言模型，探索多价离子电池技术。多价离子电池采用镁、钙、铝及锌等可携带两个或三个正电荷的离子，能量存储潜力远超传统锂离子电池。
研究团队开发的双AI系统能快速探索数千种新晶体结构，并发现5种全新的多孔过渡金属氧化物结构。这些材料具有大型开放信道，适合让体积较大的多价离子快速安全地移动。团队使用量子力学模拟及稳定性测试验证AI生成的结构，确认这些材料可以实验合成，并具备实际应用潜力。
IBM研究院利用经数十亿分子训练的AI模型，更高效地识别和改良复杂电解质配方。基础模型和深度检索算法加快了发掘高导电性和稳定电池安全化学品的过程。
IBM还引入数码孪生物科技术，模拟电池在上千次充放电周期后的性能退化。借助这些模型，科学家可在极短时间内预测材料长期表现，远较实验室实际测试快速。IBM与德国Sphere Energy合作，利用AI驱动的数码孪生物科技术加速电动汽车电池开发，预测准确度高达99%，可节省数百万美元及数年道路测试时间。
Microsoft与IBM均在探索量子计算在电池材料研究中的作用。量子计算能以传统计算无法达到的细致度模拟原子和分子互动，实现对复杂固态材料和创新化学体系 (如锂硫或钠离子电池) 的精确建模。Hyundai与IonQ合作开发新变分量子本征解算器 (VQE) 算法，研究锂化合物及其化学反应，以改善电池化学特性。量子计算有望进一步加速材料发现过程，提高设计改良水平，实现更持久、更高能量密度的电池。
数据源:cnBeta
