擴(kuò)散是自然界中最普遍與重要的現(xiàn)象之一，從手邊的冰美式到工業(yè)中電池等產(chǎn)品的合成，所有這些都從根本上依賴于這種質(zhì)量傳輸方式。在能源材料中，離子想要流動(dòng)，就得穿越復(fù)雜的原子迷宮。可要弄清楚這些原子在晶體中是怎么「走」的——尤其是它們翻越的能量障礙——一直是材料科學(xué)里最耗時(shí)的環(huán)節(jié)。

傳統(tǒng)方法，比如密度泛函理論（DFT）結(jié)合「彈性帶」（NEB）算法，計(jì)算一次離子擴(kuò)散路徑可能要花上數(shù)小時(shí)甚至數(shù)天。做一兩個(gè)樣品還行，想系統(tǒng)掃描上百種材料？那幾乎是不可能完成的任務(wù)。

來自中國(guó)科學(xué)院物理研究所等的研究團(tuán)隊(duì)為此開發(fā)了一種名為 FastTrack 的新機(jī)器學(xué)習(xí)框架，為離子裝上了導(dǎo)航系統(tǒng)。它的核心是把機(jī)器學(xué)習(xí)勢(shì)場(chǎng)（MLFFs）的速度優(yōu)勢(shì)和三維勢(shì)能面采樣結(jié)合起來，讓計(jì)算機(jī)在幾分鐘內(nèi)重建出一個(gè)離子可能移動(dòng)的能量地形圖。

論文鏈接：https://iopscience.iop.org/article/10.1088/3050-287X/ae0808

AI 接管方向盤

離子遷移（ion diffusion）聽起來抽象，卻幾乎決定了一塊電池的靈魂。離子能否快速通過電極、在電解質(zhì)中穿梭，不僅影響功率和循環(huán)壽命，還關(guān)乎安全性。 衡量這一過程的關(guān)鍵指標(biāo)叫遷移能壘（migration barrier），它描述了離子從一個(gè)穩(wěn)定位置躍遷到另一個(gè)所需的能量。能壘高，離子「卡殼」；能壘低，導(dǎo)電性能就好。

在原子級(jí)別上對(duì)原子遷移勢(shì)壘的實(shí)驗(yàn)測(cè)量仍然具有根本性的挑戰(zhàn)?，F(xiàn)有的大多數(shù)可用方法，都依賴于檢測(cè)大量原子的集體行為。這些技術(shù)提供宏觀平均值，通常無法隔離單個(gè)原子的內(nèi)在遷移率。

圖 1：FastTrack 的操作流程。

FastTrack 通過采用 MLFFs，能夠?qū)o定晶體中的原子擴(kuò)散進(jìn)行微尺度估計(jì)，其精度與 DFT 相當(dāng)，但計(jì)算速度大約快 10 倍。此外，團(tuán)隊(duì)還發(fā)布了一個(gè)開源軟件包，名為 FastTrace，能夠識(shí)別遷移路徑、可視化勢(shì)能面（potential-energy-surface，PES）并計(jì)算遷移勢(shì)壘。

具體點(diǎn)來說，傳統(tǒng) DFT 需要從頭計(jì)算每一步；FastTrack 則是「先學(xué)地形，再全圖導(dǎo)航」。算法會(huì)自動(dòng)生成完整的三維勢(shì)能面，再用插值和尋徑算法找出最省能量的通路，不需要人工指定中間點(diǎn)。

ML+PES 的完美配合

團(tuán)隊(duì)展示了該方法的兩種代表性應(yīng)用。在層狀 LiCoO?中，F(xiàn)astTrack 揭示了獨(dú)特的遷移路徑：?jiǎn)慰瘴粩U(kuò)散的約 600 meV 勢(shì)壘與雙空位條件下的約 250 meV 勢(shì)壘，與先前研究一致；在 LiFePO?中，該方法捕捉了沿[010]方向的狹窄一維通道，產(chǎn)生了約 300 meV 的勢(shì)壘，突出了磷酸骨架的內(nèi)稟剛性。

圖 2：鋰離子遷移勢(shì)能面與遷移能壘輪廓。

FastTrack 對(duì)力場(chǎng)并無依賴，這意味著它可以與任何兼容的 MLFF 配對(duì)。團(tuán)隊(duì)系統(tǒng)地評(píng)估了三種最先進(jìn)的模型——GPTFF、CHGNet 和 MACE，證明了它們?cè)诓煌瘜W(xué)中的穩(wěn)定性能。使用 PBE/PBE+U 數(shù)據(jù)集進(jìn)行特定任務(wù)的微調(diào)進(jìn)一步提高了勢(shì)壘預(yù)測(cè)的準(zhǔn)確性，強(qiáng)調(diào)了高質(zhì)量訓(xùn)練數(shù)據(jù)的重要性。

快不止是速度

FastTrack 不只是一個(gè)加速器，它具備自動(dòng)路徑識(shí)別、能量地形可視化、開放兼容性與開源等諸多令人印象深刻的特性。這些特性讓 FastTrack 不只是一個(gè)工具，更像是一個(gè)自動(dòng)化的研究伙伴，能把理論與實(shí)踐之間那條漫長(zhǎng)的道路鋪平。

它把原本依賴巨量計(jì)算資源的過程變得輕盈快捷，也讓研究者更自由地去探索真正重要的科學(xué)問題。從某種意義上說，這不只是一次算法優(yōu)化，而是科研范式的微調(diào)：未來的計(jì)算物理，也許不再是「單點(diǎn)突破」的工藝，而是「AI+物理模型」協(xié)同作業(yè)的系統(tǒng)工程。

相關(guān)鏈接：https://www.eurekalert.org/news-releases/1101317