DP-QEq恒电位框架：原子尺度揭示锂枝晶成核机理与SEI调控

1. 项目概述与核心挑战

锂金属负极因其极高的理论比容量（3860 mAh/g）和极低的密度（0.59 g/cm³），被视为下一代高能量密度电池的“圣杯”材料。然而，其商业化进程一直受制于一个顽疾：在反复的充放电循环中，锂金属表面会不可控地生长出树枝状或苔藓状的锂枝晶。这些枝晶不仅会刺穿隔膜，导致电池内部短路，引发严重的安全隐患，还会在断裂后形成“死锂”，造成活性物质损失和库仑效率下降，最终导致电池快速失效。

要有效抑制枝晶，就必须从原子尺度上理解其成核与生长的初始机制。实验上，我们可以通过扫描电子显微镜（SEM）、透射电子显微镜（TEM）等技术观察枝晶的最终形貌，但这些技术难以捕捉到皮秒到纳秒时间尺度、埃米空间尺度下的动态演化过程。分子动力学（MD）模拟本应是解决这一问题的理想工具，它能提供原子运动的“电影”。但传统MD模拟在电化学界面研究中面临一个根本性瓶颈：如何精确地模拟一个“电化学”环境，而不仅仅是“化学”接触。

在真实的电池中，电极与电解质之间存在着电势差，驱动着锂离子在负极表面得到电子还原沉积为锂原子（Li⁺ + e⁻ → Li⁰），或在正极表面失去电子氧化溶解为锂离子（Li⁰ → Li⁺ + e⁻）。这是一个典型的恒电位（Constant Potential, ConstP）过程。然而，传统的MD力场（无论是经验力场还是反应力场）大多在恒电荷（Constant Charge, ConstQ）条件下运行，即每个原子的电荷在模拟过程中是固定不变的。这无法反映电极电势对电荷分布的动态调控，也就无法真实模拟锂的电化学沉积/溶解行为。

近年来，机器学习力场（MLFF）的兴起为这一困境带来了转机。MLFF通过从第一性原理计算（如密度泛函理论，DFT）数据中学习，能够以接近DFT的精度预测原子间的相互作用力，同时计算成本比直接进行从头算分子动力学（AIMD）低数个数量级。但问题依然存在：如何将恒电位这一电化学核心约束，有效地整合到MLFF的框架中？这正是我们这项工作的出发点：构建一个融合了机器学习力场与电荷平衡方法的恒电位模拟框架（DP-QEq），并首次用它来“观看”锂枝晶在原子尺度上是如何从无到有、悄然成核的。

2. 方法论核心：DP-QEq恒电位框架的构建与原理

要模拟真实的电化学界面，我们的力场模型必须同时满足两个看似矛盾的要求：一是具备DFT级别的精度来描述复杂的化学键断裂与形成（如SEI膜的生成）；二是能够动态地响应外部施加的电势，调整电极表面的电荷分布。我们的解决方案是将总能量进行物理拆解，并分别用最合适的方法来处理。

2.1 能量分解与模型架构

我们提出的DP-QEq方法，其核心思想源于一个基本的物理认知：原子间的相互作用可以合理地划分为短程部分和长程部分。总能量 ( E_{\text{Total}} ) 表示为：

[ E_{\text{Total}} = E_{\text{Short}} + E_{\text{QEq}} ]

其中，( E_{\text{QEq}} ) 代表由电荷平衡方法描述的长程静电相互作用，而 ( E_{\text{Short}} ) 则代表剩余的短程相互作用，主要包括局域的化学键合。

为什么这样分解？

1. 物理合理性：在电化学界面，电势的施加主要影响的是长程的静电相互作用，即电荷的重新分布。而原子核附近的电子云重叠、化学键的强度等短程相互作用，受外电场的影响相对较小。这种分解符合物理直觉。
2. 计算可行性：DFT计算天然是在恒电荷条件下进行的。我们可以先用QEq方法（在恒电荷约束下）计算出一个构型的QEq能量和力，然后从DFT的总能量和力中减去这部分，得到短程部分的“残差”。这个残差正是我们需要用机器学习力场去拟合的目标。这样做，我们只需要在一种电荷状态下（恒电荷）训练MLFF，而不需要为每一个不同的电势都训练一个单独的力场，极大地降低了训练成本和数据需求。
3. 灵活性：在模拟时，我们可以独立地控制 ( E_{\text{QEq}} ) 部分。通过调整QEq方法中的参数（如原子的电负性），就能等效地施加外部电势，从而实现恒电位模拟，而无需重新训练短程力场。

在我们的实现中，短程部分 ( E_{\text{Short}} ) 由深度势能（Deep Potential, DP）模型来刻画，因此我们将这个方法命名为DP-QEq。

2.2 电荷平衡方法与恒电位实现

电荷平衡（QEq）方法是实现动态电荷分配的关键。其基本思想是，在一个原子体系中，每个原子的电荷 ( Q_i ) 不是固定的，而是通过最小化系统的总静电能量来自发调整。这个总静电能量 ( E_{\text{QEq}} ) 包括原子间的库仑相互作用，以及每个原子自身的能量项（与电负性 ( \chi_i^0 ) 和硬度 ( J_i ) 相关）。

在恒电位条件下，我们需要在系统中引入外部电势 ( \phi_i )。从数学上看，对一个原子施加外部电势 ( \phi_i )，等价于在其原有的电负性 ( \chi_i^0 ) 上叠加一个偏移量：( \chi_i = \chi_i^0 + \phi_i )。一个更负的电势（相当于降低电负性）会使原子更容易失去电子（氧化），而一个更正的电势（提高电负性）会使原子更容易得到电子（还原）。

实操中的关键设定：在我们的锂金属电极模型中，我们如何判断一个锂原子属于“电极”并对其施加电势呢？我们引入了一个基于局域环境的判据：配位数（Coordination Number, CN）。对于一个锂原子，我们计算其与周围锂原子在3.5 Å截断半径内的配位数 ( CN_{Li-Li} )。在体心立方（BCC）锂金属中，一个体相锂原子的配位数为8。因此，我们设定：

• 如果一个锂原子的 ( CN_{Li-Li} > 8 )，我们认为它处于金属性的电极体相或表面区域，需要对其施加电势。
• 如果一个锂原子的 ( CN_{Li-Li} \le 8 )，它可能是一个溶解在电解质中的锂离子，或者是SEI中的成分，我们不对其施加外电势。

通过为模拟盒子上下两个电极区域的金属性锂原子赋予不同的电势偏移（例如，上电极（阳极）设为-2 V，下电极（阴极）设为+6 V），我们就在系统中建立了一个8 V的电势差。QEq方法会动态地求解所有原子的电荷，使得阳极表面的锂原子倾向于带正电（被氧化），而阴极表面的锂离子倾向于被还原为中性原子（沉积）。整个模拟盒子始终保持电中性，电荷转移通过锂的氧化还原反应在内部达到平衡。

注意：电势值的选择：这里选择的8V电势差远高于实际电池的工作电压（~3-4V）。这是加速模拟的常用策略。在有限的模拟时间（百皮秒量级）内，更大的驱动力可以让我们观察到在真实时间尺度下需要更长时间才能发生的现象（如枝晶成核）。关键在于，这种加速不应改变反应的本质路径和机理。

2.3 机器学习力场的训练与数据生成

训练一个稳健的DP-QEq模型，数据是基础。我们的数据集生成策略采用了“并发学习”的迭代流程，这是一个自洽的主动学习过程，确保力场能充分探索目标相空间。

1. 初始数据集构建：我们构建了三类体系的数据：

   • 体相锂金属：用于学习金属锂的成键特性。
   • 体相电解液：包含碳酸乙烯酯（EC）溶剂和LiPF₆盐，用于学习电解液分子的构象和相互作用。
   • 锂金属/电解液界面模型：这是核心。我们构建了一个初始界面，通过经典的ReaxFF力场进行一段时间的MD模拟，采样不同的构型。这样做的目的是快速获得一个覆盖可能化学反应（如EC分解）的初始构型空间。

2. 并发学习迭代：

   • 训练：用当前数据集训练4个不同随机种子的DPShort模型。
   • 探索：用训练好的DP-QEq模型，在恒电荷和恒电位两种条件下，对界面体系进行MD模拟（温度范围200-400 K），探索新的、可能未被初始数据集覆盖的构型。
   • 标注：对探索过程中模型预测不确定度高的构型（通过多个模型预测力的方差来判断），进行昂贵的DFT计算，获得精确的能量和力。
   • 更新：从DFT结果中减去QEq部分，得到短程能量和力，将其加入训练数据集。 这个过程不断循环，直到模型在探索轨迹上的预测误差稳定在较低水平（例如，平均力偏差<0.1 eV/Å）。最终，我们用一个大规模数据集（约8百万步训练）得到一个高精度的DPShort模型。

避坑心得：数据集的代表性与平衡构建用于电化学界面模拟的MLFF数据集，必须特别注意“代表性”。不能只采样平衡态结构，必须主动驱动模拟去采样那些高能量的过渡态和反应路径，例如锂离子在电极表面的吸附、SEI组分的分解反应等。我们的并发学习流程中，恒电位模拟本身就是一种强有力的“驱动”，它迫使系统去探索锂沉积/溶解的非平衡路径，从而自动生成这些关键区域的数据。

3. 模型验证与性能评估

一个新方法的可靠性必须经过严格检验。我们从多个层面验证了DP-QEq框架的准确性。

3.1 静电学验证：理想模型测试

首先，我们用一个最简单的“玩具模型”来验证QEq方法能否正确响应电势并产生合理的静电场。这个模型只有两个锂金属电极板，中间是真空。

• 恒电荷测试：在不加外电势时，所有锂原子电荷均为零，电极间没有电势差。符合预期。
• 恒电位测试：对上电极施加+6 V（阴极），下电极施加-2 V（阳极）的电负性偏移后，QEq计算显示，上电极表面均匀分布负电荷，下电极表面均匀分布正电荷，电荷密度约为±0.212 e/nm²。计算两极间的静电势剖面，显示在中间真空区域存在均匀电场，电势差恰好为8 V。当我们把电极板间距增大一倍，表面电荷密度恰好减半，电场强度减半，完美符合平行板电容器理论。这证明我们的QEq实现能够精确控制电极间的电势差。

3.2 电荷预测的定性验证：与DFT对比

在真实的电解液环境中，原子电荷没有绝对“正确”的值，不同的DFT后处理分析方法（如Hirshfeld、CM5、Bader）会给出不同的结果。我们比较了QEq方法与Hirshfeld、CM5方法对一个小型界面模型计算的锂原子电荷分布。

结果显示，QEq预测的电荷分布在定性上与Hirshfeld和CM5的结果一致：在锂金属电极内部，电荷接近于零；在电极/电解液界面处，电荷逐渐变化；在电解液本体中，锂离子带正电。尽管在数值上存在差异，但这种定性的一致性足以证明QEq方法能够合理地描述界面处的电荷转移和静电相互作用。值得注意的是，Bader分析在该体系中给出了不合理的结果（金属内部出现了非零净电荷），这提醒我们在选择电荷分析方法时需要谨慎。

3.3 力场整体精度评估

我们训练了一个作为基准的“全DP”模型，它直接拟合DFT的总能量和力。在测试集上，其能量和力的均方根误差（RMSE）分别为3.0 meV/atom和0.15 eV/Å，表明基准模型本身是可靠的。

然后，我们评估DP-QEq模型。在恒电荷条件下的测试轨迹上，DP-QEq的能量和力RMSE分别为1.3 meV/atom和0.16 eV/Å，与全DP模型精度相当甚至更优。在更具挑战性的恒电位测试轨迹上（包含400 ps的动力学），误差有所上升，但仍处于机器学习势场在电池研究中可接受的范围内。更重要的是，我们专门分析了与枝晶形成最相关的区域——金属锂电极和新生锂枝晶上的原子——的力误差，发现其RMSE非常小（~0.07–0.09 eV/Å）。这说明我们的模型对于核心物理过程的描述是准确的。

此外，我们比较了由全DP和DP-QEq分别驱动的500 ps恒电荷MD模拟得到的径向分布函数（RDF）。Li-O、Li-F、C-O对的RDF曲线高度吻合，证明DP-QEq在结构预测方面与高精度基准模型一致。

4. 锂枝晶成核动态过程的原子尺度揭示

经过严谨的验证后，我们利用DP-QEq框架对Li/[EC+LiPF₆]/Li双界面模型进行了长达数纳秒的恒电位分子动力学模拟，成功捕捉到了锂枝晶成核的完整动态过程。

4.1 模拟设置与电化学循环模拟

我们从一个经过500 ps恒电荷平衡的界面结构开始（此时已形成初始的SEI层）。随后，我们进行了四轮、每轮300 ps的恒电位模拟，并在每轮结束后反转上下电极所施加的电势（即交换阴/阳极），以模拟电池的充放电循环。

• 第一轮：上电极为阳极（-2 V），下电极为阴极（+6 V）。模拟显示，阳极表面的锂原子被进一步氧化，融入SEI；而阴极表面附近的锂离子被还原，沉积回电极表面。整个体系的锂电荷分布曲线向上移动。
• 第二轮：反转电势。此时上电极变为阴极，下电极变为阳极。我们观察到在SEI层内部，特别是在靠近新阴极（原上电极）的区域，出现了锂的聚集。这些聚集的锂并非均匀分布。
• 第三、四轮：继续反转电势进行模拟。上述的锂聚集区域成为了“种子”，引发了其上方的不均匀锂沉积。沉积的锂原子开始向外突出生长，形成了明显的枝晶雏形。在第四轮模拟的末期，甚至观察到一个小的锂原子簇从枝晶尖端剥离，漂浮在电解质中。

4.2 核心发现：枝晶成核的机理

通过对模拟轨迹的细致分析，我们揭示了枝晶成核的关键机制：

1. SEI的无机成分是“肇事者”：可视化SEI的组分分布发现，无机产物（如Li₂CO₃、Li₂O、LiF）并非均匀分散，而是倾向于在靠近电极表面的SEI底部聚集，形成非晶态区域。气体产物（CO₂、C₂H₄等）则分布更随机。
2. 锂在无机非晶区中的聚集：在这些非晶的无机成分中，锂-锂之间的距离比在液态电解液中更短。在电化学循环过程中，锂离子容易在这些区域局部“过饱和”并聚集在一起，形成富锂点。
3. 不均匀沉积的引发：这些局部的富锂聚集区，改变了其上方面向电解质的局部界面环境。当电势驱动锂离子向阴极表面沉积时，沉积反应会优先发生在这些富锂区域的上方，因为这里的界面能垒可能更低，或离子传输更快。
4. 枝晶的形核与生长：这种优先沉积导致锂原子并非均匀地铺满电极表面，而是在某些点位上加速生长，形成凸起。这些凸起尖端会产生更强的电场集中效应（“尖端效应”），进一步吸引更多的锂离子向其沉积，从而正反馈地促进枝晶的纵向生长。

简而言之，我们的模拟首次在原子尺度上动态演示了“SEI无机成分中锂聚集 → 引发上方锂不均匀沉积 → 沉积点凸起形成枝晶核”这一连锁反应过程。

实操心得与机理解读：这一发现具有重要的设计指导意义。它表明，要获得均匀的锂沉积，关键在于调控SEI，特别是其无机成分的均匀性。理想的SEI应该具有均匀的化学和机械性质，避免形成局部的锂离子“陷阱”或快速扩散通道。近年来的一些实验研究，例如通过电解质添加剂调控SEI中无机成分的结晶度与分布，实现了更均匀的锂沉积，这与我们的模拟机理完全吻合。

4.3 与现有方法的比较优势

我们的DP-QEq恒电位方法在几个方面具有显著优势：

1. 效率与精度的平衡：这是首个在MLFF框架内实现可变电荷恒电位模拟的方法。它既拥有了MLFF接近DFT的精度，又具备了模拟数百皮秒甚至纳秒尺度电化学过程的能力，这是纯AIMD或昂贵的巨正则DFT难以企及的。
2. 双电极模型的真实性：我们的模拟盒子同时包含了阴极和阳极。这使得电荷转移可以通过一侧的锂氧化（Li⁰ → Li⁺ + e⁻）和另一侧的锂还原（Li⁺ + e⁻ → Li⁰）在内部达到平衡，无需强制电解液分子参与氧化还原反应来维持电荷守恒。这比以往许多研究中只模拟单电极-电解液界面的模型更接近真实的电化学电池。
3. 可扩展性与通用性：该方法通过高效的投影梯度法和自动微分技术求解QEq电荷，计算复杂度接近线性标度，能够处理数千原子的大体系。代码已集成到DMFF软件中，具有良好的可扩展性。该框架不仅适用于锂金属电池，也可推广到其他电化学界面体系，如全固态电池中的固-固界面、电催化中的电极表面腐蚀等。

5. 常见问题、挑战与未来展望

5.1 模拟中可能遇到的问题与排查

1. 模拟盒子出现真空或异常收缩/膨胀：

   • 原因：在恒电荷平衡阶段，锂金属与高活性电解液反应生成SEI，可能导致体积变化。如果使用NVT系综，可能产生空腔或巨大应力。
   • 解决：在正式恒电位模拟前，先进行一段时间的NPT系综恒电荷模拟，允许盒子在垂直于界面方向（Z方向）适度弛豫（我们设置了100 bar的压强），而在平行于界面方向（X, Y方向）保持恒定（1 bar）。这可以缓解因界面反应产生的应力，获得一个更合理的初始结构。

2. 枝晶成核现象不明显或速度过慢：

   • 原因：模拟时间可能不足，或者施加的电势差驱动力不够强。
   • 排查与调整：
     • 检查电势设置：确认阴极和阳极的电负性偏移设置正确，且差值足够大（我们用了8V）以在有限时间内驱动明显反应。
     • 检查配位数判据：确认用于判断金属性锂的配位数截断半径（如3.5 Å）和阈值（CN>8）是否合理。可以尝试微调这些参数，观察对电极区域识别的影响。
     • 延长模拟时间：枝晶成核是一个随机事件，可能需要更长的采样时间。确保每轮恒电位模拟的时间足够长（我们用了300 ps）。
     • 分析SEI形成：枝晶成核与初始SEI的结构密切相关。如果初始恒电荷平衡阶段生成的SEI过于均匀致密，可能会抑制不均匀沉积。可以检查初始SEI中无机成分的分布情况。

3. 电荷分布或电势曲线异常：

   • 原因：QEq参数（原子电负性、硬度）设置不当，或者周期性边界条件引起的偶极修正未正确应用。
   • 解决：
     • 验证QEq参数：在简单的双金属板-真空模型中验证电荷密度和电势差是否符合理论预期。
     • 启用偶极修正：对于具有净偶极矩的界面体系（特别是平板模型），必须在静电能量计算中加入偶极修正项，以消除因周期性镜像引起的虚假电场。

5.2 当前方法的局限性与未来优化方向

尽管DP-QEq框架取得了成功，但仍有一些方面可以进一步改进：

1. 电荷的定量精度：QEq方法给出的原子电荷与DFT不同电荷分析方案的结果在定量上存在差异。未来可以通过力匹配或能量匹配的方式，反向优化QEq中的电负性、硬度等参数，使其能更好地再现DFT级别的电荷分布。
2. 电势的物理对应：目前我们施加的“电势”是通过电负性偏移实现的，其绝对值不能直接对应真实电池的工作电压（如3.7 V）。未来的发展需要建立这种偏移量与绝对电极电势之间的定量标定关系，使模拟电压能与实验可测的电压对接。
3. 更复杂的电解质与界面：当前工作集中于经典的EC+LiPF₆液态电解质。该方法可以并需要扩展到更复杂的体系，如新型液态电解质、固态电解质、以及包含人工SEI涂层的界面，以研究更广泛的界面稳定化策略。
4. 与宏观性能的关联：目前的模拟提供了机理性的原子洞察。如何将这些微观动力学过程（如枝晶成核速率、沉积形貌）与宏观可测的电池性能（如循环寿命、过电位）建立定量或半定量的关联，是连接计算与实验的关键挑战。

这项工作的价值在于，它不仅仅提供了一个新的计算工具，更重要的是，它像一台高时空分辨率的显微镜，让我们第一次清晰地看到了锂枝晶是如何在复杂的SEI层下“萌芽”的。它指出的“调控SEI无机成分均匀性”这一方向，为通过电解质工程、界面修饰等手段设计无枝晶锂金属负极提供了坚实的理论依据和具体的优化靶点。将机器学习、分子动力学与电化学原理深度融合，正在为我们打开一扇通往下一代电池设计新范式的大门。