Decoding single-crystal lithium growth through solid electrolyte interphase omics

doi:10.1038/s41467-025-62166-2

Decoding single-crystal lithium growth through solid electrolyte interphase omics

2025-10-22

0

OA

AI

Karl Luigi Loza Vidaurre

周光敏 (Guangmin Zhou) *

DOI：10.1038/s41467-025-62166-2

原文链接

查看原文

摘要

En 中文

准确理解固态电解质界面（SEI）对锂沉积的影响对于高能量锂金属电池至关重要。然而，传统的策略仅关注孤立组分，无法捕捉多组分协同作用和潜在机制。为解决这一挑战，我们引入了SEI组学的概念，并建立了一个低温透射电子显微镜图像与共定位组分信息相结合的数据集。通过整合可解释机器学习和基于物理的特征选择，我们解耦了SEI组分的作用，揭示SEI中较高的N/S/P/F含量和较低的O含量可改善锂沉积。结合密度泛函理论和电化学相场建模，揭示了SEI组分对锂生长的多尺度效应。结果表明，设计具有高表面能和迁移能力的内层SEI显著优化了沉积形貌。在机器学习优化的组分指导下，工程化构建了一种高度无序的SEI，实现了Li||Cu电池在1 mA cm⁻²和1 mAh cm⁻²条件下经过800次循环后平均库仑效率高达99.35%。这项工作建立了一个理解SEI耦合效应对锂生长的通用框架，为电解质和界面设计提供了变革性策略。理解固态电解质界面（SEI）对锂沉积的影响对于开发高能量锂金属电池至关重要。在此，作者基于建立的SEI组学框架，阐明了SEI对锂沉积行为的多尺度效应。

Keyword:

SEI omics

lithium deposition

machine learning

solid electrolyte interphase

electrochemical phase-field modeling

Decoding single-crystal lithium growth through solid electrolyte interphase omics

摘要

AI总结

期刊

机构

引用论文