数据驱动的智能碳化将多样化生物质统一为高性能硬碳负极

把植物废料变成更好的电池材料

现代生活依赖可充电电池，但其原料常常稀缺、昂贵且制造过程碳排放高。本研究展示了如何将棉花、农作物废料和坚果壳等日常植物物质，通过数据驱动的热处理快速转化为一种新型电池材料。结果是一种更清洁、更廉价的制造高性能电极的方法，可用于下一代锂离子和钠离子电池——这些电池对电动汽车和大规模可再生能源储存至关重要。

为何植物是有前景的能源原料

生物质每年在地球上以惊人的数量产生，并广泛以农业和工业废弃物形式存在。如果能将这些植物物质转化为有用的电池组件，就能把处理问题变成清洁能源的资源。本研究关注的材料是“硬碳”，一种无序的碳形态，特别适合作为钠离子电池的负极材料，钠离子电池是现有锂离子电池的更廉价替代品。挑战在于不同植物具有截然不同的结构和化学成分，传统的炉内热处理既耗时又耗能，且常导致结果不一致。这种变异性阻碍了基于生物质的硬碳成为可靠的大规模工业产品。

一种新的加热与学习方式

作者提出了“智能碳化”概念，将一种新型超快加热方法与机器学习结合起来。他们不是在超过1400 °C的炉中将植物前体烘烤数小时，而是先制备一种简单的中间材料——生物炭，然后将其通过可编程的焦耳加热阶段，使其在仅10–60秒内闪热至1000–2000 °C。这样大幅降低了能源消耗——约为0.1千瓦时/克，仅为制备初始生物炭所用能量的一小部分——同时仍能在原子层面重塑碳结构。由于每次处理不到一分钟，团队可以快速探索数百种加热配方，并将所得性能数据输入机器学习模型以寻找最佳工艺条件。

发现隐含的结构最佳区

为了解为何某些样品的储电能力优于其他样品，研究者依赖于X射线衍射来揭示碳层的排列方式。传统指标关注石墨晶域的大小和层间距。通过对自身数据和从以往研究中挖掘出的数值训练神经网络模型，团队发现了一个新的组合指标，称为性能相关因子。该因子本质上衡量碳的面内有序程度与其整体晶体含量的关系。高值表示碳具有宽阔且组织良好的片状结构且堆叠不太紧密，同时具有合适尺寸的闭合孔隙。这些特征为钠（和锂）离子在层间滑移或在孔隙内成簇提供了足够空间，从而在不导致过多离子不可逆陷留的情况下提高容量和速率。

从杂乱原料到一致的性能

有了这一结构指纹，机器学习系统可以反向工作：它预测出哪些加热条件能产生所需的内部结构，并实时推荐工艺参数。通过这一闭环流程，研究者制备了他们称之为数字硬碳的材料，其可逆容量约为369毫安时/克——是起始生物炭的两倍多，且高于商业硬碳基准——并能承受超过5000次的快速充放电循环。值得注意的是，当他们以截然不同的前体（包括棉花、花生壳和蔗糖等简单糖类）为起点时，智能碳化路线能将每种前体调节到几乎相同的内部结构和约340毫安时/克的相似容量。这表明该方法能消除生物质的天然变异性，并产生可预测的高质量产品。

来自常见植物的更清洁电池

对非专业读者来说，结论是：作者构建了一种针对植物基电池材料的“智能烤箱”。它加热迅速、实时测量内部结构，并用算法引导工艺每次都朝向最佳性能碳材。与传统路线相比，这种智能碳化大幅降低能耗、碳排放和制造成本，同时将多样的植物废料转化为一致的高性能电极材料。如果大规模采用，它有助于使钠离子和改进的锂离子电池更便宜、更耐用、更可持续，从而支持更清洁、更有韧性的能源体系。

引用: Cui, J., Rao, Y., Gao, J. et al. Data-driven intelligent carbonization unifies diverse biomass into high-performance hard carbon negative electrodes. Nat Commun 17, 3885 (2026). https://doi.org/10.1038/s41467-026-70411-5

关键词: 生物质 硬碳, 钠离子电池, 材料机器学习, 可持续电极, 焦耳加热