近日，北京大学材料科学与工程学院许审镇课题组与清华大学深圳国际研究生院余旷课题组、北京科学智能研究院、深势科技等单位合作，针对机器学习力场框架下恒电势模拟方法的缺乏，在Deep potential（DP）框架下，开发了可实现恒电势模拟的DP-QEq方法，并将该方法用于锂金属负极/电解质界面的模拟，成功模拟出锂枝晶的成核动力学过程。相关成果以“Observation of dendrite formation at Li metal-electrolyte interface by a machine-learning enhanced constant potential framework”为题发表在Nature Communications上（https://www.nature.com/articles/s41467-025-62824-5）。
研究背景
锂金属电池因其高理论比容量和低密度而被视为下一代高能量密度电池的理想选择。然而，锂枝晶的不可控生长不仅降低了电池的库仑效率，还带来了严重的安全隐患。因此，深入理解锂枝晶的形成机制对于提升锂金属电池的性能至关重要。尽管基于机器学习力场的分子模拟已被大量应用于锂离子电池的很多领域。然而，传统的分子动力学（MD）模拟工具在捕捉锂离子电化学沉积过程存在局限性，因为它们缺乏电化学恒定电势（Constant Potential, ConstP）条件。因为传统方法仅仅能够模拟锂金属电极/电解质界面的化学接触（即Constant Charge条件，ConstQ），而非电化学接触。
方法简介
DP-QEq方法的核心在于将总能量分为长程和短程两部分，其中长程部分通过电荷平衡方法QEq来描述，而短程部分则由机器学习力场DP来表示。进一步通过对长程QEq部分的电负性参数进行调控，从而实现ConstP条件（见图1）。
此外，本工作的另外一个亮点是利用高性能JAX库的自动微分技术对相关导数的求解，避免复杂的数学推导。进一步为实现更快的计算效率，采用投影梯度而非矩阵求逆算法来求解QEq电荷。最终，在V100卡上达到与DP相同量级的计算速度。
由于篇幅所限，作者在玻尔科研空间站的Notebook上准备了DP-QEq方法的详细介绍以及实现代码，请见：Machine Learning Enhanced Electrochemical Simulations for Dendrites Nucleation in Li Metal Battery
图1. DP-QEq方法的框架示意图。
方法应用
作者通过对Li/液态电解质/Li的双电极模型进行循环充放电过程的模拟，成功模拟出锂枝晶与锂团簇成核的整个过程（如图2），揭示了锂在SEI层中的不均匀沉积和聚集是引发枝晶成核的关键机制。
图2. 整个循环ConstP的MD模拟中，Li的电荷分布。为了清晰，图中只显示了Li原子。
总结
通过将DP模型与QEq方法结合，在机器学习力场框架下实现了ConstP条件，并将其应用锂金属电池枝晶成核过程的模拟。更重要的是，该方法提供了一个高效、精确的恒电势模拟框架，该框架可以应用于电催化领域等更广泛的场景。
