【摘要】 科学指南针提供 Li‑Si‑C 三元体系 NEP 势函数定制服务，融合 DFT 与机器学习方法，适配硅碳负极大规模 MD 模拟、体积变化分析与微观机理解析。

 

硅碳负极凭借较高理论容量，成为锂电池下一代关键候选材料，体积膨胀现象一直是行业研发关注的重点。传统 DFT 计算具备良好精度，却难以支撑大规模原子模拟；通用机器学习势函数在复杂体系中容易出现精度偏差。依托顶刊相关研究成果，科学指南针推出 Li‑Si‑C 三元体系神经演化势函数（NEP） 定制服务，在 Li‑Si‑C 体系模拟场景中体现出较高精度与计算效率，为硅碳负极理性设计提供微观模拟依据。

 

一、硅碳负极模拟的核心技术痛点

DFT 计算可输出可靠的能量与力场数据，但面对数十万原子的 Si@C 核壳界面体系，计算效率偏低，难以开展长时程 AIMD 分子动力学模拟。常规机器学习势函数泛化能力有限，在复杂界面、结构缺陷、高温工况下容易出现精度波动，较难匹配科研与工业研发的模拟需求。

 

二、Li‑Si‑C NEP 模型核心技术特点

结合现有研究框架构建的 神经演化势函数（NEP） 模型，在模拟精度与计算效率层面具备明显优势，核心特点如下：

高效直接采样策略

仅选取原始数据池中 4.3% 的结构样本，共计 3114 个结构，便可覆盖 90% 以上 的结构特征空间，有效降低数据标注与模型训练成本。

主动学习迭代训练

模型可自主识别高不确定性构型并开展定向优化训练，能量预测误差可达 21.2 meV/atom，能够较好复现 DFT 计算得到的径向分布函数与锂离子扩散系数。

超高速模拟能力

整体计算速度相对传统 AIMD 提升约 7 万倍，可适配大规模原子级模拟场景，有效缩减模拟运算周期。

 

图1：用于设计 Li−Si−C NEP 力场模型的示意工作流程

 

三、Li‑Si‑C NEP 模型标准构建流程

科学指南针可围绕具体材料体系开展 DFT 标注、主动学习训练和模型验证，采用标准化流程搭建 Li‑Si‑C NEP 模型，保障模型可靠性与场景适配性：

1.数据集构建：完成 Si、C、Li‑Si、Li‑Si‑C 多类型结构数据采集整理；

2.特征化与降维：采用 M3GNet 编码器进行结构特征化处理，搭配 PCA 算法完成维度缩减；

3.聚类与标注：通过 BIRCH 聚类划分结构类型，依托 VASP/DFT 完成高精度能量与力场标注；

4.分层采样与训练：采用 DIRECT 分层采样方式，结合主动学习策略完成 NEP 模型训练与多维度验证。

 

四、机器学习势函数相关服务内容

全流程势函数定制开发

涵盖结构采样、DFT 数据标注、主动学习训练到多维度精度验证全链条，提供完整的机器学习势函数开发服务。

 

势函数精度提升与盲区修补

针对通用势函数在复杂界面、高应变、高温场景下的精度漂移问题，通过定向强化训练完成性能优化，将误差控制在 meV 级别区间。

 

高通量模拟与微观机理解析

支持万级至十万级原子体系 大规模 MD 模拟，可计算扩散能垒、体积变化、应力分布等关键参数，从原子层面辅助解析材料性能演变机制。

 

五、技术优势与适用对象

核心技术优势

  • 数据成本可控：模型训练集规模可缩减 95% 以上；

  • 误差表现稳定：能量误差可控制在 < 25 meV/atom，力误差 < 0.15 eV/Å，达到原文报道的验证水平；

  • 工况适配范围广：可适配 5–20% 拉伸应变、500–2000 K 温度区间模拟；

  • 大体系运算支持：适配万级至十万级原子体系并行计算；

  • 体系可迁移性强：可延伸应用于金属、氧化物、电极界面、电解液等多种材料体系。

 

适用服务对象

高校科研课题组、电池材料企业研发部门、具备内部模拟计算需求的科研团队。

 

六、总结

依托机器学习势函数与 DFT 融合技术思路，Li‑Si‑C 三元体系 NEP 模型可为硅碳负极体积膨胀机制解析提供高效模拟支撑。结合直接采样与主动学习技术，能够在控制数据成本的同时，兼顾模拟精度与运算效率。科学指南针可提供专业的机器学习势函数开发服务，为硅碳负极材料机理研究与结构设计提供可靠的计算模拟支撑。