高效储能技术：低共熔溶剂的分子动力学与机器学习研究
材料、能源和信息是现代科技的三大基石，高效且可持续的储能技术至关重要。吕锐婵教授团队与国际同行合作，在《Renewable and Sustainable Energy Reviews》期刊发表综述文章，深入探讨了低共熔溶剂（DEs）在储能领域的应用潜力，并重点分析了分子动力学（MDs）结合机器学习（ML）方法的优势。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
该综述指出，低共熔溶剂独特的物理化学特性使其成为增强储能性能的理想候选材料。文章系统阐述了低共熔溶剂的形成机制、特性以及其在电导率、稳定性和环境适应性等方面优于传统电解质的优势。
MDs结合ML算法能够有效揭示纳米尺度下的复杂相互作用，从而加速新型低共熔溶剂的研发，并预测其在不同电化学环境下的性能。然而，该领域也面临一些挑战：
-
低共熔溶剂的设计与合成： 功能性添加剂（如氟代碳酸乙烯酯）可能削弱分子间相互作用；碱金属环境中的低共熔溶剂因N-H键不稳定，限制了反应进程。未来研究可探索新型氢键供体和碱金属吸收剂等添加剂，但需注意这会增加模拟的复杂性和计算成本。
-
结构理解的局限性： 目前对低共熔溶剂微观结构的预测受限于水分含量测量的精度。未来的研究需要综合考虑离子液体氢键位点数量、冻结温度、粘度、密度和电导率等因素对氧化还原反应的影响，并结合分子动力学模拟及原位/非原位实验进行深入研究。
-
分子动力学模拟的挑战： 低共熔溶剂的高粘度特性需要更长时间的模拟才能获得准确结果，而缺乏适用于所有低共熔溶剂的通用力场也限制了不同方法的比较。机器学习分子动力学方法有望结合经典分子动力学的计算效率和量子力学方法的精度，解决电荷分配等问题，具有广阔的应用前景。
吕锐婵教授团队近年来致力于机器学习在工程技术中的应用研究，相关成果得到陕西省重点研发项目等的支持。
论文链接：
