神经演化势函数 NEP 开发 科学指南针助力硅碳负极原子模拟

在锂电池硅碳负极研发过程中，大规模原子级模拟是分析体积膨胀、锂离子扩散等微观机制的重要方式。结合 ACS Applied Materials & Interfaces 报道的 Li‑Si‑C NEP 研究思路，科学指南针面向硅碳负极模拟需求提供 机器学习势函数开发 与原子模拟相关服务，兼顾接近 DFT 的模拟精度与运算效率提升，为材料结构设计提供模拟参考。

一、硅碳负极原子模拟面临的技术瓶颈

硅碳负极多以 Si@C 核壳结构为主，体系结构复杂。传统 AIMD 模拟难以承载数十万原子大体系运算；通用机器学习势函数在复杂界面、结构缺陷场景下精度稳定性不足，无法满足长时程、大尺度模拟需求，一定程度制约材料理性设计研究。

二、Li‑Si‑C NEP 势函数核心技术原理

模型构建采用 DIRECT 采样 + 主动学习 两大核心策略，搭建适配 Li‑Si‑C 体系的专用 NEP 势函数：

• DIRECT 直接采样：以小比例结构样本覆盖主要特征空间，降低模型训练对原始数据的依赖；

• 主动学习迭代：自动识别高误差结构构型并补充训练样本，持续优化模型预测精度；

• M3GNet 特征编码 + PCA 降维：高效提取材料结构特征，保障模型在多场景下的泛化能力。

该模型能量预测误差可达 21.2 meV/atom，能够较好复现 DFT 计算得到的径向分布函数与锂离子扩散系数，计算速度相对传统 AIMD 提升约 7 万倍。

图1：用于设计 Li−Si−C NEP 力场模型的示意工作流程

三、NEP 势函数开发完整技术流程

1.开源数据集构建：搭建包含 Si、C、Li‑Si、Li‑Si‑C 在内的多体系结构数据库；

2.特征提取与降维：通过 M3GNet 编码器完成结构特征提取，利用 PCA 算法实现维度优化；

3.聚类与数据标注：采用 BIRCH 算法完成结构聚类分类，借助 VASP/DFT 开展能量与力场高精度标注；

4.分层采样筛选：通过 DIRECT 分层采样筛选有效结构样本，减少冗余训练数据；

5.模型训练与验证：基于主动学习完成迭代优化，通过多维度指标完成模型精度校验。

四、势函数定制与材料模拟相关服务

定制化机器学习势函数开发

面向 Li‑Si‑C 及各类无机材料体系，提供从数据集搭建、特征处理到模型训练验证的全流程开发，匹配不同科研模拟场景。

现有势函数优化升级

针对市面通用势函数精度不足、极端工况适配性弱等问题，通过主动学习补齐精度盲区，提升模型结构预测稳定性。

大规模分子动力学模拟服务

基于 NEP 势函数开展数十万原子级 MD 模拟，辅助分析硅碳负极体积演变、应力分布、离子传输规律等关键性能特征。

五、技术优势与应用价值

NEP 势函数具备数据成本低、误差表现稳定、极端工况适配性强、支持大体系并行运算、多材料体系可迁移等特点，可为硅碳负极、固态电解质、电极界面等锂电池材料研究提供模拟支撑，适配高校科研课题研究与企业材料研发场景。

六、总结

神经演化势函数 NEP 是兼顾 DFT 模拟精度与大规模原子模拟效率的重要技术路径。科学指南针可提供专业化 NEP 势函数定制开发 与硅碳负极原子模拟服务，以较低数据成本和较高计算效率的模拟方案，为锂电池关键材料微观机理解析与应用研究提供助力。