【摘要】 科学指南针提供硅碳负极体积膨胀模拟服务，采用 NEP 机器学习势函数结合 DFT 标注，开展大规模 MD 模拟、体积变化与应力分布分析。

 

硅碳负极体积膨胀是影响锂电池循环稳定性与使用安全性的重要因素，原子尺度微观模拟是解析相关作用机制的重要途径。科学指南针结合 机器学习势函数 与 DFT 高精度计算方法，搭建 Li‑Si‑C 三元体系专用 NEP 模型，为硅碳负极膨胀机制分析与结构优化参考提供模拟依据。

 

一、传统模拟方法在硅碳负极研究中的局限

DFT 计算拥有可靠的理论精度，但运算效率有限，难以支撑大体系、长时程 MD 模拟 运算；常规机器学习势函数泛化表现不足，在 Si@C 核壳界面、结构缺陷、高应变工况下容易出现精度偏移，不易合理预判体积变化与离子传输行为。

 

二、Li‑Si‑C NEP 模型主要技术特点

Li‑Si‑C 专用 NEP 模型在数据利用、模型优化与模拟效率方面具备明显特点：

数据高效利用

采用直接采样策略，仅选用原始数据池 4.3% 结构样本，即可覆盖 90% 以上 结构特征空间，有效缩减模型训练成本。

主动学习模型优化

经过主动学习迭代训练，模型能量预测误差可达 21.2 meV/atom，力场与结构模拟结果和 DFT 基准数据具备良好一致性。

模拟效率大幅提升

整体运算速度相对传统 AIMD 提升约 7 万倍，可高效完成 Si@C 核壳负极的大规模原子模拟运算。

 

三、势函数开发与模拟技术服务内容

科学指南针聚焦锂电池材料模拟需求，提供一体化技术服务：

机器学习势函数全流程定制

涵盖多体系数据集构建、结构特征提取、VASP/DFT 数据标注、主动学习模型训练与精度验证全流程服务。

势函数综合性能优化

针对性提升势函数在高温环境、高应变状态、复杂电极界面场景下的运行稳定性，缩小模拟预测误差范围。

硅碳负极微观机制模拟解析

开展大规模 MD 模拟，可计算材料体积变化、应力分布、锂离子扩散系数等参数，辅助分析体积膨胀的微观来源。

 

四、服务核心优势

  • 模型训练数据量可减少 95% 以上，有效降低模拟计算投入；

  • 能量与力误差指标符合相关文献验证水平，可为科研模拟提供数据参考；

  • 可适配 5–20% 应变、500–2000 K 温度区间等模拟工况；

  • 支持万级至十万级原子体系并行模拟运算；

  • 模型具备良好可迁移性，可拓展应用至多种无机材料与界面模拟场景。

 

五、适配服务对象

高校科研课题组可依托模拟数据支撑课题研究与论文分析；电池材料企业可借助模拟手段辅助配方筛选、预判材料体积演变规律，加速产品迭代；专业模拟团队可对接势函数开发与部署服务，完善内部科研模拟能力。

 

六、总结

面向硅碳负极体积膨胀模拟研究需求，机器学习势函数与 DFT 融合模拟方案可兼顾精度与效率。Li‑Si‑C 专用 NEP 模型能够以较低数据成本和较高计算效率支撑大体系原子模拟，辅助解析材料微观演化规律。科学指南针相关模拟服务，可为硅碳负极结构设计、性能分析与应用研究提供稳妥的计算模拟理论参考。