探索电池智能计算，加速电解质材料设计
环境问题一直是世界各国所高度重视的战略问题，清洁能源（如水、风、地热和太阳能等）的高效利用成为解决环境问题和实现可持续发展的关键一环。然而清洁能源的应用受限于地理位置和季节性等因素，为提高其利用率，必须发展更高性能的二次电池储能体系。其中，锂离子电池因为性能优异的储能体系，已经被大规模商业化。二次电池储能体系近年来受到了广泛的研究，然而作为其“血液”的电解液性能决定了电池的各项指标。通过计算电化学设计电解液材料成为这些年研究的热门。然而通过传统的前线轨道理论计算，不能准确描述电解液的复杂化学环境，无法设计电解液配方。
结合经典分子动力学模拟，由于其力场的准确性较差，无法获得准确且精度统一的溶剂化结构和计算性质。近年来，第一性原理分子动力学模拟由于其可以在第一性原理精度准确描述复杂化学环境，受到了广泛的关注。通过第一性原理准确计算电子结构，并通过分子动力学采样可以准确获得电解质材料的电化学性质，评估电解液性能。然而由于第一性原理计算成本高，无法直接应用于电解液材料设计。
机器学习分子动力学模拟通过机器学习方法拟合第一性原理精度的数据，准确预测能量和原子受力等计算数据，可以在极低的成本实现长时间尺度第一性原理精度的分子动力学模拟。然而，机器学习势函数训练受限于第一性原理计算数据集的构建。对于电解液通用势函数模型，代表性数据集构建困难这一问题极大限制了机器学习势函数的泛化能力。