近日，我院程俊教授课题组采用机器学习分子动力学实现水系有机液流电池电解液氧化还原电位和酸度常数计算，并取得重要进展。相关研究成果以“Accelerating Computation of Acidity Constants and Redox Potentials for Aqueous Organic Redox Flow Batteries by Machine Learning Potential-Based Molecular Dynamics”为题发表在Journal of the American Chemical Society上（https://doi.org/10.1021/jacs.4c01221）。
由于日益严重的能源问题和环境问题，可实现大规模电力储存的液流电池（redox flow battery，RFB）受到了广泛的关注。其电力存储的方式为：通过电化学反应氧化或还原电解液中的活性物种，从而将电能转化为化学能，并将电解液转移到电池外部的储存箱中。通过计算电化学实现电解液材料性质的直接计算（如氧化还原电位和酸度常数），对电解液设计至关重要。然而，基于DFT结构优化计算无法考虑复杂的溶剂化结构。基于第一性原理分子动力学模拟（ab initio molecular dynamics, AIMD）可以准确描述电解液的溶剂化结构。然而，AIMD计算成本高，同时氧化还原电位的计算结果受泛函精度的影响。因此，高效并且准确计算复杂溶剂化环境中氧化还原电位和酸度常数仍然是一个挑战。
在这项工作中，为了实现复杂溶剂化环境中氧化还原电位和酸度常数的计算，通过构建自动化工作流软件ai2-kit，实现并行学习和自由能计算方法的结合，高效准确计算自由能计算机器学习势函数。进一步通过纳秒级别第一性原理精度的机器学习分子动力学（machine learning molecular dynamics，MLMD）模拟实现酸度常数和氧化还原电位计算。为了提升氧化还原电位的计算精度，引入杂化泛函HSE06结合工作流自动化构建势函数，进行MLMD自由能计算，获得高精度计算结果。该工作为后续电解液高通量计算和智能设计奠定了理论基础。
该论文在程俊教授指导下完成，我院博士后王锋为第一作者，21级硕士生马泽冰参与了实验和论文撰写等相关工作。该论文得到国家自然科学基金（22225302、21991151、21991150、22021001、92161113、20720220009）、人工智能应用电化学联合实验室项目（RD2023100101、RD2022070501）资助，以及固体表面物理化学国家重点实验室、嘉庚创新实验室的支持。
基于第一性原理/机器学习计算电化学方法研究储能体系是程俊教授在beat365官方网站开辟的新研究方向。在过去的几年中，课题组在该领域取得了一系列引领性的研究成果：通过机器学习势函数加速氧化还原电位、酸度常数和溶剂化自由能计算（J. Chem. Phys. 2022, 157, 024103）；基于氧化还原电位和溶解能计算分析高浓度电解液SEI生成机理（Chem. Sci. 2022, 13, 11570-11576）；基于氧化还原电位计算解析盐包水电解液高电化学稳定窗口的机理（J. Am. Chem. Soc. 2023, 145, 4056−4064）；基于机器学习分子动力学实现有机电解液体系性质高效准确计算（Chin. J. Struct. Chem. 2023, 100061.）。在嘉庚创新实验室支持下建立AI4EC Lab，构建电解液机器学习通用势函数模型，以期通过电解液性质计算，实现电解液的智能设计。
本工作使用课题组开发的机器学习势函数训练和自由能计算自动化工作流软件ai2-kit（https://github.com/ai4ec/ai2-kit），可用于高效构建通用势函数模型，实现电解液复杂物理化学性质（氧化还原电位等）的高效准确计算。
论文链接：https://pubs.acs.org/doi/10.1021/jacs.4c01221
