[论文解读] Are Universal Potentials Ready for Alkali-Ion Battery Kinetics?

Xingyu Guo, Cheng Gui+1 more|arXiv (Cornell University)|Jan 16, 2026

Machine Learning in Materials Science被引用 0

一句话总结

该论文基准了用于碱金属离子电池动力学的最先进通用机器学习原子势（uMLIPs），发现 Orb-v3 在静态迁移势垒方面表现最佳，GRACE（OMat24 训练）在动态离子传输方面最佳，数据多样性是关键驱动因素。

ABSTRACT

Accelerating alkali-ion battery discovery requires accurate modeling of atomic-scale kinetics, yet the reliability of universal machine learning interatomic potentials (uMLIPs) in capturing these high-energy landscapes remains uncertain. Here, we systematically benchmark state-of-the-art uMLIPs, including M3GNet, CHGNet, MACE, SevenNet, GRACE, and Orb, against DFT baselines for cathodes and solid electrolytes. We find that the Orb-v3 family excels in static migration barrier predictions (MAE $\approx$ 75--111 meV), driven primarily by architectural refinements. Conversely, for dynamic transport, the GRACE model trained on the OMat24 dataset demonstrates superior fidelity in reproducing ion diffusivities and structural correlations. Our results reveal that while architectural sophistication (e.g., equivariance) is beneficial, the inclusion of high-temperature, non-equilibrium training data is the dominant driver of kinetic accuracy. These findings establish that modern uMLIPs are sufficiently robust to serve as zero-shot surrogates for high-throughput kinetic screening of next-generation energy storage materials.

研究动机与目标

• 评估最先进的 uMLIPs 在碱金属离子电池材料中对动力学性质的可靠性。
• 在多样化的正极材料和固态电解质中，通过 NEB 与 DFT 基准比较迁移势垒。
• 识别架构与训练数据对高能量区域的动力学预测精度和鲁棒性的影响。

提出的方法

• 评估一组 uMLIPs（M3GNet、CHGNet、MACE、SevenNet、GRACE、Orb）相对 DFT 基线在 Li/Na 迁移势垒方面的表现。
• 使用 CI-NEB 计算层状、橄榄石和 maricite 正极以及固态电解质中对称 Li/Na 路径的迁移势垒。
• 进行分子动力学模拟（NVT，800 K 与 1200 K），将 MSD、扩散系数和 RDF 与 AIMD 基准进行比较。
• 在多样数据集（MPF、MPTrj、MPA、Alexandria、sAlex、OMat24）上训练模型，以评估数据多样性对动学预测的影响。
• 通过统计失败情况（I 型发散、II 型非物理势垒）来评估 NEB 结果在各模型中的鲁棒性。

Figure 1: Overview of the uMLIP development ecosystem. The schematic illustrates the progression from training datasets, categorized by scale and thermodynamic state, through a range of training strategies to distinct model architectures. Architectures are grouped by their geometric symmetry propert

实验结果

研究问题

• RQ1 当前的 uMLIPs 能否再现 Li/Na 在代表性正极材料和固态电解质中的 DFT 校准迁移势垒？
• RQ2 架构特征（不变性与等变性、直接式与保守式）以及训练数据组成如何影响势垒与扩散系数等动力学预测？
• RQ3 相比静态势垒精度，高温非平衡训练数据是否对捕捉动态离子传输至关重要？
• RQ4 uMLIPs 是否能作为高通量动力学筛选的鲁棒零-shot 代理，而无需对材料进行特定微调？

主要发现

• Orb-v3 在所测试模型中实现了最低的静态迁移势垒 MAE（75–111 meV），主要得益于架构改进。
• 在动态传输方面，基于 OMat24 训练的 GRACE 在 MD 保真度方面表现最佳，MSD 与扩散系数误差显著降低（如 GRACE OA 相对于其他模型）。
• 在多样且非平衡数据（OMat24、MPA）上训练的模型在势垒预测方面超越仅使用 MPF/MPTrj 的变体；对几个模型而言，添加高温数据显著降低 MAE。
• MatterSim 与主动学习相结合时在势垒和扩散预测方面表现出色，表明数据规模与多样性有时能够超越架构差异。
• 在 MD 属性方面，等变架构与多样训练数据显著改善了 MSD、扩散系数和 RDF 的预测，但各模型在扩散系数的 R^2 排名仍具有挑战性。
• 一个关键洞见是尽管在过渡态存在力偏差，但势垒与扩散预测的鲁棒性仍然存在，表明能量-拓扑的准确性足以用于动力学筛选。

Figure 2: Number of NEB calculation failures across various uMLIP models. Failures are categorized as (top) Type I: computational divergence and (bottom) Type II: unphysical barriers (where $E_{\mathrm{TS}}<E_{\mathrm{initial/final}}$ ).