第一性原理计算揭示二维硼化铜Cu8B14作为高容量锂离子电池负极材料潜力
研究人员通过第一性原理计算发现二维硼化铜Cu8B14单层材料理论比容量达430mAh/g，锂离子扩散势垒仅0.32eV，开路电压0.53V处于最优负极区间，线缺陷进一步将扩散势垒降至0.21eV，是高性能电池负极的有力候选。
DFT 第2页
共 2 页 · B910化工 · AI 化学信息库
机器学习电荷密度模型实现大超胞缺陷形成能高效预测
华东师范大学研究团队提出基于机器学习电荷密度的缺陷形成能预测方法，仅需小超胞训练数据即可准确预测大超胞缺陷能量，将数据效率提升数倍，为半导体材料和催化剂的缺陷工程提供高效计算工具。
DFT研究揭示有机金属层状单原子催化剂ORR/OER双功能活性与稳定性构效关系
Pedro H. Souza等人8月6日在arXiv发表DFT研究，系统比较金属-N4和金属-O4配位的有机金属层状材料在氧还原（ORR）和氧析出（OER）反应中的催化活性与电化学稳定性，为锌空气电池和燃料电池阴极催化剂设计提供理论指导。
机器学习筛选近万种溶剂为固态锂电池电解质找出最优残留溶剂组合
研究团队通过机器学习在高通量DFT计算的约10000种溶剂数据集上建立通用筛选准则，将电子性质（HOMO/LUMO）与宏观性质（介电常数/偶极矩/极化率）关联，筛选出N-甲氧基-N-甲基-2,2,2-三氟乙酰胺作为固态聚合物电解质最优残留溶剂。实验验证获得4.5V电化学窗口、5.5×10⁻⁴ S/cm离子电导率和0.78 Li⁺迁移数。
IBM宣布量子优势三项实验证明量子计算在化学模拟领域超越经典计算
IBM研究团队在Quantum Heron R3量子处理器上完成三项实验，声称已实现量子优势——量子计算机在特定任务上超越经典计算机。其中最具化学意义的是量子计算可直接精确模拟材料和化合物的量子行为，无需经典计算化学方法（如DFT）中不可避免的精度-速度-成本权衡。论文以预印本形式发表。
机器学习设计不可计算金属有机框架MOF用于光催化
研究团队提出利用机器学习方法设计传统计算无法处理的金属有机框架（MOF）材料的通用框架。以光催化为案例研究，展示了ML方法在处理复杂多参数材料设计中的能力。该方法可推广到催化剂、吸附剂和储能材料的发现。论文7月29日提交arXiv。
机器学习预测二维TMD合金光学性质
研究人员结合第一性原理光学计算与表格基础模型回归，预测Mo-W-S-Se-Te二维过渡金属硫族化物合金的介电函数，仅用四元合金训练即在留出组合上R2>0.98，并可零样本泛化到二元/三元/五元体系。
操作扫描光电化学显微镜揭示光子能量调控CO2还原选择性
由Giulia Tagliabue等9位研究者合作发表在arXiv的研究利用定量操作扫描光电化学显微镜首次直接证明调控光子能量可切换CO2还原产物选择性：在等离激元Au/p-GaN光阴极上，带间激发（460-560nm）选择性产CO，带内激发（640-800nm）偏向产氢。100nm以下纳米结构维持CO2还原活性，约300nm纳米盘因载流子输运损失抑制反应。该研究解决了等离激元驱动选择性效应起源的长期争论。
机器学习从13万候选中筛选出5种稳定无铅钙钛矿，AI加速光伏材料发现
一个国际研究团队开发了基于基因组学思想的机器学习框架，从13088种电荷平衡的无铅双钙钛矿组合中筛选出5种经DFT验证的热力学稳定半导体材料（Rb2SnMnBr6、Cs2CdSnBr6、Cs2CdSnI6、Cs2KGaI6、Cs2AgAlBr6），均位于凸包上（E_hull小于等于0 meV/atom），光学吸收峰值超过10的5次方cm负1次方，具备光伏、传感和透明电子器件应用前景。该框架在1221个DFT计算化合物上训练，稳定性分类器ROC-AUC达0.92，带隙预测R2达0.93。
DeepHartree 用 Poisson-coupled neural field 加速 Density Functional Theory 计算
Jiankun Wu 等人在 arXiv 提交 DeepHartree，将 E(3)-equivariant neural network 与 Poisson equation 耦合，用近线性数值推理替代 DFT 中高成本的 Coulomb 积分，并在 SCF 流程中减少最高 40.6% 迭代。
MagMatLLM：约束引导的AI框架发现12种新型磁性绝缘体，10种通过第一性原理验证
南加州大学和UCLA团队提出MagMatLLM框架，将大语言模型晶体生成与进化选择、多目标筛选和第一性原理验证结合，在生成阶段直接嵌入磁性、绝缘性和稳定性约束，从220万候选中识别出12种新型磁性绝缘体，其中10种经声子分析和自旋极化DFT计算确认。