01 文章导读

本文向LiNi0.9Co0.1Mn0.1O2（NCM90）正极引入了20种广泛使用的掺杂元素，构建出包含其本征、结构和形貌特征中20个描述符的关键数据集。此外，本文基于该数据集开发了一种基于微分算子的图神经网络模型（MDGNN模型），并进行训练以拟合掺杂规律，从而能够准确预测任意掺杂改性NCM90正极的两个关键性能指标，即比容量和容量保持率。结合MDGNN模型与传统化学原理，本文将1.2 mol% AI³⁺、0.3 mol% Zr⁴⁺和0.5 mol% Sb⁵⁺精确掺杂进NCM90正极材料中，并通过表征系统研究了相关工作机理，所制备的7.3 Ah Al1.2Zr0.3Sb0.5-NCM90||石墨软包电池在1.0/1.0C条件下经过3000次循环后仍取得87.3%的容量保留率，验证了MDGNN模型的实际可行性。这些结果为高性能电池材料的数据驱动设计开辟了一条可行路径。

关键词：高镍三元层状正极、掺杂剂、相关性分析、深度学习、图神经网络；

Citations:

Mengyu Tian*, Yang Li, Zhewen Xu and Xuejie Huang*. Data-driven graph neural networks guide codoping for stable Ni-rich layered cathodes[J]. AI for Science. doi: 10.1088/3050-287X/ae9d9b

本文亮点：

1. 通过真实和统一规范的60组掺杂实验获得1200个独立数据点；

2. 以高效的球形图神经网络结合图神经微分算子拟合掺杂规律，精准指导设计三元正极材料的掺杂；

3. 结合原位XRD、STEM和COMSOL模拟等揭示模型输出最佳掺杂量的合理性。

图1. MDGNN模型指导三元正极掺杂的流程图。

02 研究背景

因其高比容量的固有优势，高镍层状氧化物正极材料已成为下一代主流高能量密度锂离子电池的有前景候选材料。然而，在高脱锂状态下，其层状结构在电化学机械应力作用下更容易发生晶体和形貌结构退化，导致循环寿命衰减以及潜在的安全隐患。为解决这些问题，各种氧化物掺杂剂被引入到层状正极材料中以优化其形貌结构、晶体结构和电子结构，进一步提高其在高脱锂态下的稳定性。尽管掺杂剂可以有效优化层状氧化物正极材料的稳定性，但如何精确选择掺杂剂的浓度和种类仍限制了层状氧化物正极性能的进一步提升。因此，构建一种能够自主筛选并预测最佳掺杂剂浓度和种类的新型框架对于三元正极材料的设计至关重要。

03 本文要点

要点1 传统相关性分析

本文从高镍三元正极的本征特征、形貌特征和结构特征中选取了20个独立描述符，并与两个目标参数结合进行了相关性分析，结果表明容量保持率与初级颗粒面积和颗粒截面孔隙率这类形貌特征描述符具有较强的相关性，而比容量与锂/镍混排这类结构特征具有较强的相关性。传统相关性分析有助于理解待优化的目标参数与描述符间的关系，辅助优化目标值，但难以给出具体且精确的指导。

图2. 传统相关性分析 （a）Spearman相关性分析，（b）容量保持率与一次颗粒面积间的相关性，（c）容量保持率与颗粒孔隙率的相关性，（d）放电比容量与掺杂剂含量的相关性，（e）放电比容量与Li/Ni混排比的相关性。

要点2 MDGNN模型的设计与训练

为了精确指导高镍三元层状正极材料的掺杂，本文进一步设计开发了一种基于微分算子的图神经网络（MDGNN模型），模型由由数据预处理、多层级球面图构建、图微分神经算子以及多尺度图聚合算法组成。该训练良好的模型具备参数空间共享能力，可同时优化多阶微分参数，并捕捉多尺度空间模式，从而准确解析高镍NCM正极的掺杂机制。MDGNN模型分别筛选出几种不同的高性能掺杂剂用于提高高镍三元正极的稳定性，例如，Zr-0.3，Al-1.2和Sb-0.5，展现出远超随机森林和XGBoost等传统机器学习模型的准确度和可靠性。

图3. MDGNN模型的应用 （a）MDGNN模型的工作流程图，（b）MDGNN模型预测的最佳数据值，（c）用于比容量指标的SHAP分析，（d）用于容量保持率指标的SHAP分析。

04 总结与未来展望

锂离子电池技术飞速发展，推动了交通工具和能源储存方式的电动化转型，而电动飞机等新型交通工具的崛起也进一步提高了对电池能量密度的要求。通常来讲，电池的能量密度主要取决于正极材料，在正极材料中，镍含量在90%以上的超高镍三元层状正极材料具兼具能量密度、成本和循环寿命的优势，成为下一代高能电池体系正极材料的主要候选者。本文基于大量真实的掺杂剂数据集，结合高效的球形MDGNN模型，预测优选的掺杂剂来提升高镍三元正极的结构稳定性，为下一代三元正极的设计指明了数据驱动协同设计的新方案。

支持单位：