机器学习辅助电极动力学匹配设计，实现高性能柔性锌离子电池
水系锌离子电池作为一种高安全性、低成本且环保的储能技术，广泛被认为是下一代储能体系的有力候选。然而，传统的锌离子电池在实际应用中面临着锌金属负极枝晶生长、电极溶解以及界面副反应等问题，这些都极大地限制了电池的循环寿命和稳定性。为了解决这一问题，研究人员提出了一种“双插层”电极设计方案，旨在避免金属锌的沉积与剥离，从而提高电池的稳定性。然而，这一设计仍然面临电极间离子扩散动力学不匹配的挑战，这导致电池性能下降，极化增大。为此，东南大学的孙正明教授、章炜教授与水涛副研究员领导的团队，创新性地提出了机器学习辅助的动力学匹配模型，通过量化电极材料的离子扩散行为，优化了电极对的动力学兼容性。最终，团队在《自然·通讯》（Nature Communications）期刊上发表了题为《Machine learning-assisted kinetic matching model for rational electrode design in aqueous zinc-ion batteries》的研究论文，为锌离子电池的电极设计提供了新的理论框架，并为实现高性能、高安全性的锌离子电池技术开辟了新的方向。
该研究的主要内容如下：
①提出动力学匹配模型与关键描述符：研究团队基于密度泛函理论与电化学测试结果，结合机器学习方法，提出了一种新的电极动力学匹配模型。该模型能够准确预测电极材料的离子扩散行为，并通过关键描述符（复合偏移指数CSI和扩散比率DR）来优化电极对的动力学匹配,该模型的决定系数R2达0.886，均方根误差仅为0.067，对电极对的电化学性能实现了高精度预测。
②构筑高匹配锌离子电池电极体系：团队成功设计出具有优异电化学性能的Zn3V3O8‖NH4V4O10（ZVO‖NVO）“无锌金属“的插层型锌离子电池体系。该电池在在0.1 A g-1下比容量高达310 mAh g-1，在5 A g-1高倍率下循环超过12,000次后容量保持率仍超过80%并验证了动力学匹配模型在电极材料筛选中的指导作用。
③模型的普适性验证：该动力学匹配模型已在多个钒基正极材料与不同负极的组合中得到验证，证明其在插层型锌离子电池领域的广泛适用性。
④制备全方位可拉伸的全水凝胶电池：为满足柔性储能应用需求，团队将ZVO‖NVO电极嵌入聚丙烯酸 银纳米片复合水凝胶中，并与聚乙烯醇水凝胶电解质集成，构建了全水凝胶锌离子电池。该电池具有优异的机械柔韧性（拉伸率近400%），可承受多方向拉伸、弯曲和扭曲，同时保持稳定的电化学输出。其面积容量达1.2 mAh cm-2，能量密度为1070 µWh cm-2，在经历120次40%拉伸-释放循环后容量保持稳定，能满足可穿戴设备的供电需求。
研究不仅为锌离子电池的电极设计提供了可量化、可预测的理论框架，而且为柔性电子、可穿戴设备等新兴领域的储能技术发展提供了新思路。通过优化电极间的动力学匹配，研究推动了高性能、高安全性的锌离子电池技术的进步，具有重要的应用前景。论文的第一作者为永乐高60net博士研究生谢谦，游菀蓉博士为本文的共同一作，并由永乐高60net水涛副研究员，章炜教授和孙正明教授担任共同通讯合作指导完成。
【文章链接】
Xie, Q., You, Y., Qiao, D. et al. Machine learning-assisted kinetic matching model for rational electrode design in aqueous zinc-ion batteries. Nat Commun (2025).
https://doi.org/10.1038/s41467-025-67996-8