摘要

推出電解質模擬框架。

互聯網巨頭字節(jié)跳動本月披露一項名為“BAMBOO”的新技術框架，標志著其將人工智能觸角伸向鋰電池研發(fā)領域。該框架利用機器學習，旨在加速對鋰電池材料體系關鍵構成——液態(tài)電解質的模擬研究。

該框架的核心是一種被稱為機器學習力場（MLFF）的技術，它結合了人工智能與分子模擬。通過訓練?AI?模型學習原子間的相互作用力，MLFF?可以在維持高精度的前提下，大幅提升模擬計算的速度。

其工作流程通常始于利用高精度的量子力學計算生成原子結構及其能量、受力的數據集，隨后利用這些數據訓練?AI?模型，最終將訓練好的模型應用于更大規(guī)模、更長時間的分子運動模擬。

業(yè)內專家認為，MLFF?是?AI?與基礎科學計算結合的成功范例，其最終目的是更高效地模擬復雜體系。

盡管機器學習力場已在固體材料和小分子研究中得到廣泛應用，但其在液體電解質模擬方面仍存在顯著差距。字節(jié)跳動此次推出的?BAMBOO?框架，正是為了解決這一挑戰(zhàn)。

液體電解質內部涉及復雜的化學反應和界面現象，傳統(tǒng)的實驗方法難以全面、細致地觀察這些過程。

對于新型電解質材料的開發(fā)而言，現有商業(yè)產品多為碳酸鹽基，成分復雜，常包含五種以上組分以滿足不同性能要求。通過實驗來探索和優(yōu)化這些多組分體系，成本高昂且耗時漫長，很大程度上依賴研究人員的經驗和直覺。這限制了新材料從實驗室概念驗證到市場產品的轉化速度。

原子模擬提供了一種替代方案，但面臨兩難：精確的量子力學模擬計算量巨大，而傳統(tǒng)的經典力場方法又精度不足。MLFF?有望結合兩者的優(yōu)點，實現速度與精度的平衡。

然而，將?MLFF?應用于液體電解質并非易事，因其內部離子與溶劑分子可以形成多種復雜的局部結構，增加了模擬難度。此前的嘗試雖取得一些進展，但通用性有待驗證，且模擬過程中的模型崩潰、結果不穩(wěn)定以及對初始計算數據質量的依賴等問題也限制了實際應用。

根據字節(jié)跳動發(fā)布的信息，BAMBOO?在此背景下展現出其潛力。該框架在預測多種電解質的關鍵性質（如密度、粘度和離子電導率）方面，展現出領先的準確性。

據稱，當前版本的?BAMBOO?模型能夠模擬包含多達?15?種不同化學成分的體系，這對于通常包含多達?10?種成分的實際電解質設計具有重要意義。報告指出，其預測的多種成分密度與實驗值的平均誤差僅為0.01 g cm?3。

在更廣泛的鋰電材料研究領域，機器學習力場的應用已不鮮見。評價此類技術的先進性通常關注幾個關鍵維度。

例如，能否在接近第一性原理計算精度的同時，將計算速度提升數個數量級；能否準確模擬電化學反應過程；是否具備從原子細節(jié)到宏觀行為的多尺度模擬能力，以準確預測鋰離子遷移等現象；以及模型對未曾見過的新結構或化學環(huán)境是否依然能做出準確預測，并最終實現在保持高精度計算的前提下，模擬更大體系、更長時間的演化。

外界關注字節(jié)跳動涉足鋰電研究的動機。

一種觀點認為，這可能與其龐大的數據中心業(yè)務相關。市場數據顯示，字節(jié)跳動現有數據中心規(guī)模達?3GW，預計到?2028?年將增至?8GW，對電力供應和儲能技術有巨大需求。該公司此前已宣布計劃自建變電站以增強電力自主權。

此外，字節(jié)跳動在電池領域早有布局。2022?年，該公司曾與中科院物理所團隊合作，研發(fā)出一種基于硫化物固態(tài)電解質的全固態(tài)電池，展示了其對前沿電池技術的關注。

此次在電解質模擬領域的投入，或與其在儲能和未來電池技術上的長遠規(guī)劃相符。