机器学习加速高能量密度磷酸钠基正极材料研发——助力钠离子电池突破应用瓶颈

研究背景：钠离子电池的“能量密度困局”与材料研发新需求

在电动汽车与大规模储能系统的快速发展中，电池成为核心支撑。钠离子电池（SIBs）凭借钠资源丰富、成本低廉、低温性能优异等优势，被视为锂离子电池的重要替代选项。然而，正极材料的能量密度不足，始终是制约SIBs大规模商业化的关键瓶颈。

目前，聚阴离子型化合物因三维开放框架利于Na⁺脱嵌，成为正极材料研究热点，其中NASICON（钠超离子导体）结构材料（如Na₃V₂(PO₄)₃）因电化学性能稳定备受关注。但传统NASICON材料存在两大问题：一是多电子反应利用率低，理论容量受限；二是依赖有毒钒元素，且通过元素掺杂、高熵工程等传统方法优化材料时，需复杂实验与表征，研发周期长、效率低。

与此同时，机器学习（ML）在材料科学领域的应用正在改变这一现状。它能快速挖掘材料成分-性能关联，缩短研发周期，但此前在NASICON正极材料中的应用仍缺乏系统性，尤其是针对能量密度关键影响因素的精准识别尚未突破。

研究进展：机器学习主导的高能量密度材料设计范式

团队首次构建了一套数据驱动的NASICON正极材料筛选与优化体系，通过“数据采集-特征工程-模型训练-实验验证”的闭环流程，成功开发出高能量密度正极材料Na₃Mn₀.₅V₀.₅Ti₀.₅Zr₀.₅(PO₄)₃（简称NMVTZP）。

1. 精准定位能量密度的“关键控制因子”

我们从51篇文献中提取73组NASICON材料数据，以元素组成信息为输入，能量密度为输出，通过特征重要性分析（Gini系数、相关性分析）发现：

- 熵值：与能量密度正相关，高熵可激活多电子反应（如Mn²⁺/Mn³⁺/Mn⁴⁺、V³⁺/V⁴⁺/V⁵⁺），提升容量；

- 等效电负性：与能量密度负相关，低电负性利于增强离子键稳定性，优化Na⁺扩散通道；

- 晶格参数c：需控制在21.4-22.2 Å之间，此范围既能保证结构完整性，又能降低Na⁺扩散势垒。

这三大因子的发现，首次为NASICON材料能量密度优化提供了“量化设计标准”。

2. 高性能机器学习模型的构建与验证

我们对比了注意力贝叶斯神经网络（AttenBNN）、随机森林（RF）、支持向量机（SVM）等4种模型，通过前向特征选择与网格搜索优化超参数后，得出：

- RF模型预测精度最高：测试集平均绝对误差（MAE）低至0.083，远优于SVM（0.111）与KNN（0.146）；

- AttenBNN模型可量化不确定性：通过蒙特卡洛随机舍弃的方法，能有效评估小样本数据下的预测可靠性，为材料筛选提供“置信区间”。

3. 实验验证：NMVTZP材料的卓越性能

基于模型预测，我们通过溶胶-凝胶法合成 NMVTZP 材料，其性能创下当前NASICON 正极材料新纪录：在0.1 C倍率下，该材料的可逆比容量达148.27 mAh g⁻¹，平均电压为3.14 V，对应的能量密度高达 465 Wh kg⁻¹，这一数值不仅超越了传统NASICON材料Na₃V₂(PO₄)₃（396 Wh kg⁻¹），也高于多数已报道的同类正极材料；在倍率性能方面，NMVTZP表现同样出色，即便在5C高倍率条件下，其容量保持率仍能达到60.9%（对应容量 90.20 mAh g⁻¹），且在10 C倍率下依旧可实现稳定放电；循环稳定性上，经过5 C倍率400次循环后，NMVTZP 的容量保持率为78.1%。XRD分析证实，该材料采用‘固溶体 + 双相’混合储钠机制，这一机制使其具备优异的结构稳定性，为长期循环性能提供可靠保障

此外，NMVTZP通过Mn、Ti、Zr多元替代部分V，降低了材料毒性，同时3.75 nm无定形碳涂层进一步提升了电子导电性，为产业化应用奠定基础。

未来展望：从材料研发到技术落地的实现路径

本研究不仅提供了一种高能量密度正极材料，更开创了“机器学习指导电池材料设计”的新范式， 在未来研究推进中，模型升级层面将把数据集拓展至层状氧化物等其他结构的 SIB 正极材料，同时引入集成学习以进一步提升预测精度，最终实现对容量、循环、倍率等多性能指标的协同优化；产业化探索方面会通过与储能企业合作，针对 NMVTZP 的规模化合成工艺展开优化，例如优化喷雾干燥流程、调控烧结温度等，以此降低材料生产成本，为后续产业化应用奠定基础；技术拓展维度则计划将本次研究构建的机器学习框架应用到电解质与负极材料的研发中，通过推动全电池性能的突破，助力SIBs在光伏储能、低速电动车等领域实现商业化落地。

原文链接： https://spj.science.org/doi/10.34133/research.0794