机器学习势函数在电池材料界面模拟中的应用：从精度到计算效率的平衡.docxVIP

PAGE2

机器学习势函数在电池材料界面模拟中的应用：从精度到计算效率的平衡

摘要

本报告聚焦于机器学习势函数在电池材料界面模拟这一前沿交叉领域，系统分析了深度势函数（DP）与原子团簇展开（ACE）两类核心方法在固态电解质界面膜（SEI）形成与锂枝晶生长模拟中的应用现状与演进趋势。

随着全球动力电池产业迈入TWh时代，对电池寿命与安全性的底层理解需求日益迫切。传统第一性原理分子动力学受限于时空尺度，而经典力场又难以描述界面复杂化学反应。机器学习势函数的崛起，正试图在量子精度与经典效率之间架设桥梁，成为计算材料科学领域最具商业转化潜力的技术路径之一。

报告核心发现表明：DP方法凭借其强大的多体描述能力，在SEI前驱体反应路径等精度敏感场景中占据优势，但面临“维数灾难”导致的计算成本瓶颈；ACE方法则通过巧妙的层级基函数设计，在保持亚化学精度的同时，将计算效率提升了1-2个数量级，率先实现了锂枝晶生长的万原子级长时模拟。

从竞争格局看，该领域仍处于学术驱动阶段，尚未形成明确的商业阵营。但DeepMD-kit与ACEsuite等开源工具的出现，正加速技术民主化进程。未来3-5年，随着GPU算力普惠与自动化工作流成熟，机器学习势函数将从研究工具演化为电池材料理性设计的工业级引擎，预计在2028年前后进入产业应用爆发期。

本报告建议，相关企业与研究机构应优先布局ACE等高效架构在负极/