8月20日消息，一篇提交至arXiv的预印本论文（编号2608.17716，8月18日提交）将机器学习方法应用于钠离子电池硬碳负极的结构-性能研究，论文题为Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage。

硬碳既是锂离子电池的成熟负极，也是钠离子电池最具潜力的负极候选材料，但其电化学性能由石墨畴、缺陷与纳米孔构成的异质网络决定——这类无序多尺度结构恰恰超出常规原子模拟方法可处理的尺度。来自英国的研究团队（Harry Mclean等，含Steven Paul Hepplestone）将通用机器学习原子间势（机器学习势函数）与RAFFLE结构生成框架结合，一次性构建了13096个真实的硬碳原子结构模型，单个模型最大包含4378个原子，再用神经网络对储钠容量进行高通量筛选。

这一方法论的意义在于跨越了从头算精度与无序碳结构复杂性之间的鸿沟：研究者得以在统计意义上建立硬碳微观结构特征（缺陷浓度、纳米孔尺寸分布、局域曲率等）与钠存储容量之间的关系，识别出有利于高容量的结构构型，为硬碳前驱体选择与碳化工艺优化提供理论指引。

钠离子电池正处于从示范走向规模化放量的关键期，负极性能与成本是其竞争力核心。该类AI驱动的材料逆向设计工具若与实验闭环结合，有望缩短硬碳材料的迭代周期，论文数据与方法也为无序能源材料的机器学习研究提供了可复用的范式。 （来源：arXiv）