Фреймворк баесовской оптимизации на основе отображения элементов, позволяющий прямой дизайн материалов: пример для катодных материалов типа NASICON

Более умные кратчайшие пути к лучшим батареям

Традиционно разработка новых материалов для батарей требовала лет проб и ошибок в лаборатории и на компьютере. В этом исследовании показано, как более умная стратегия поиска может резко ускорить этот процесс, сочетая статистику и химию для точной идентификации перспективных компонентов для следующего поколения натрий‑ионных батарей — более дешёвой альтернативы современным литий‑ионным элементам.

Зачем нужны новые рецепты для батарей

Литий‑ионные батареи питают телефоны, ноутбуки и электромобили, но литий относительно малораспространён и дорог. Натрий‑ионные батареи, использующие распространённый натрий из поваренной соли вместо лития, появляются как более дешёвый и устойчивый вариант. Один особенно перспективный натриевый материал, называемый NVPF, уже обеспечивает быструю зарядку и высокое рабочее напряжение. Однако он не может полностью использовать весь натрий, который в нём возможен, и остаётся неиспользованная ёмкость. При добавлении избытка натрия материал переходит в «натрий‑избыточное» состояние, которое термодинамически нестабильно и работает вне безопасного и практичного диапазона напряжений, применяемого в реальных устройствах. Стабилизация этого натрий‑богатого состояния без разрушения кристаллической структуры — ключевая задача для того, чтобы натрий‑ионные батареи стали действительно конкурентоспособными.

Карта для исследования периодической таблицы

Поиск улучшенных версий NVPF означает испытание многих вариантов замены атомов ванадия в его структуре другими металлами. Число возможных комбинаций элементов быстро растёт, и проверять каждую посредством детальных квантово‑механических расчётов слишком затратно. Авторы решают эту задачу с помощью баесовской оптимизации — стратегии, которая выбирает следующий наиболее информативный эксперимент, опираясь на уже полученные данные. Но стандартные баесовские методы предпочитают гладкие числовые входы, а не скачкообразные категориальные значения вроде названий элементов. Чтобы преодолеть этот разрыв, команда предложила схему «отображения элементов», переводящую каждый элемент в непрерывную числовую оценку, отражающую его поведение при замещении ванадия в NVPF. Эти оценки, полученные из квантовых расчётов, характеризуют, насколько легко каждый элемент принимает электроны при зарядке и разрядке батареи.

Преобразование химии в гладкий ландшафт

Когда каждый элемент кодируется как непрерывный «унарный балл», ранее дискретный набор вариантов превращается в гладкий химический ландшафт, по которому может ориентироваться баесовская оптимизация. Алгоритм предлагает пару элементов для проверки, исследователи вычисляют, как эта комбинация влияет на теоретический профиль напряжения материала, а затем функция оценки поощряет случаи, где все напряжения батареи укладываются в желаемое окно 2,5–4,3 В. Эта новая точка данных обновляет статистическую модель, которая затем предлагает следующую наиболее перспективную комбинацию. Так как унарные оценки тесно связаны с реальным поведением при зарядке, получающийся ландшафт относительно гладок и предсказуем, что позволяет оптимизатору быстро концентрироваться на наиболее многообещающих областях вместо того, чтобы блуждать вслепую.

Нахождение лучших катодов с меньшим числом предположений

Используя этот фреймворк, авторы исследовали бинарные смеси из 35 возможных металлов, которые могли бы заменить ванадий в структуре NVPF. Из сотен теоретических комбинаций их алгоритму понадобилось всего 50 итераций, чтобы обнаружить 16 составов, чьи рассчитанные напряжения полностью попадают в практическое окно работы батареи. Во многих благоприятных рецептах присутствовали палладий, рений, вольфрам или свинец в различных соотношениях, но две комбинации выделялись как особенно реалистичные с учётом стоимости, плотности энергии и токсичности: одна — смешение марганца с ванадием, другая — смешение кобальта с ванадием. Дальнейший анализ электронной структуры показал, что такие замещения помогают тем, что принимают больше электронного заряда, чем чистый ванадий, особенно в натрий‑богатом состоянии, что способствует стабилизации избытка натрия вместо вызова разрушительных структурных изменений.

Вне рамок проб и ошибок в открытии материалов

Для неспециалистов главный вывод в том, что авторы создали своего рода интеллектуальную GPS‑систему для периодической таблицы. Переведя каждый элемент в число, осведомлённое о химии, и подавая это в цикл баесовской оптимизации, они способны находить высокоэффективные материалы для батарей с гораздо меньшим количеством дорогих расчётов, чем при традиционных поисках по сетке или даже по некоторым современным подходам глубокого обучения. В их тестовом примере этот подход не только выявил несколько новых кандидатных композиций катодов для натрий‑ионных батарей, но и объяснил, почему они работают — потому что выбранные элементы могут безопасно принимать больше электронов и натрия при полезных напряжениях. Ту же стратегию можно адаптировать для многих других задач в материаловедении — от каталитических систем до сплавов — везде, где учёным приходится искать в огромных комбинаторных пространствах редкие высокоэффективные решения.

Цитирование: Park, S., Shim, Y., Hur, J. et al. Element mapping-based Bayesian optimization framework enabling direct materials design: a case study on NASICON-type cathode materials. npj Comput Mater 12, 92 (2026). https://doi.org/10.1038/s41524-026-01958-6

Ключевые слова: натрий‑ионные аккумуляторы, баесовская оптимизация, поиск материалов, дизайн катодов, отображение элементов