中國科學院等發布FastTrack，為離子裝上「導航系統」

擴散是自然界中最普遍與重要的現象之一，從手邊的冰美式到工業中電池等產品的合成，所有這些都從根本上依賴于這種質量傳輸方式。在能源材料中，離子想要流動，就得穿越復雜的原子迷宮?？梢宄@些原子在晶體中是怎么「走」的——尤其是它們翻越的能量障礙——一直是材料科學里最耗時的環節。

傳統方法，比如密度泛函理論（DFT）結合「彈性帶」（NEB）算法，計算一次離子擴散路徑可能要花上數小時甚至數天。做一兩個樣品還行，想系統掃描上百種材料？那幾乎是不可能完成的任務。

來自中國科學院物理研究所等的研究團隊為此開發了一種名為 FastTrack 的新機器學習框架，為離子裝上了導航系統。它的核心是把機器學習勢場（MLFFs）的速度優勢和三維勢能面采樣結合起來，讓計算機在幾分鐘內重建出一個離子可能移動的能量地形圖。

論文鏈接：https://iopscience.iop.org/article/10.1088/3050-287X/ae0808

AI 接管方向盤

離子遷移（ion diffusion）聽起來抽象，卻幾乎決定了一塊電池的靈魂。離子能否快速通過電極、在電解質中穿梭，不僅影響功率和循環壽命，還關乎安全性。 衡量這一過程的關鍵指標叫遷移能壘（migration barrier），它描述了離子從一個穩定位置躍遷到另一個所需的能量。能壘高，離子「卡殼」；能壘低，導電性能就好。

在原子級別上對原子遷移勢壘的實驗測量仍然具有根本性的挑戰?，F有的大多數可用方法，都依賴于檢測大量原子的集體行為。這些技術提供宏觀平均值，通常無法隔離單個原子的內在遷移率。

圖 1：FastTrack 的操作流程。

FastTrack 通過采用 MLFFs，能夠對給定晶體中的原子擴散進行微尺度估計，其精度與 DFT 相當，但計算速度大約快 10 倍。此外，團隊還發布了一個開源軟件包，名為 FastTrace，能夠識別遷移路徑、可視化勢能面（potential-energy-surface，PES）并計算遷移勢壘。

具體點來說，傳統 DFT 需要從頭計算每一步；FastTrack 則是「先學地形，再全圖導航」。算法會自動生成完整的三維勢能面，再用插值和尋徑算法找出最省能量的通路，不需要人工指定中間點。

ML+PES 的完美配合

團隊展示了該方法的兩種代表性應用。在層狀 LiCoO?中，FastTrack 揭示了獨特的遷移路徑：單空位擴散的約 600 meV 勢壘與雙空位條件下的約 250 meV 勢壘，與先前研究一致；在 LiFePO?中，該方法捕捉了沿[010]方向的狹窄一維通道，產生了約 300 meV 的勢壘，突出了磷酸骨架的內稟剛性。

圖 2：鋰離子遷移勢能面與遷移能壘輪廓。

FastTrack 對力場并無依賴，這意味著它可以與任何兼容的 MLFF 配對。團隊系統地評估了三種最先進的模型——GPTFF、CHGNet 和 MACE，證明了它們在不同化學中的穩定性能。使用 PBE/PBE+U 數據集進行特定任務的微調進一步提高了勢壘預測的準確性，強調了高質量訓練數據的重要性。

快不止是速度

FastTrack 不只是一個加速器，它具備自動路徑識別、能量地形可視化、開放兼容性與開源等諸多令人印象深刻的特性。這些特性讓 FastTrack 不只是一個工具，更像是一個自動化的研究伙伴，能把理論與實踐之間那條漫長的道路鋪平。

它把原本依賴巨量計算資源的過程變得輕盈快捷，也讓研究者更自由地去探索真正重要的科學問題。從某種意義上說，這不只是一次算法優化，而是科研范式的微調：未來的計算物理，也許不再是「單點突破」的工藝，而是「AI+物理模型」協同作業的系統工程。

相關鏈接：https://www.eurekalert.org/news-releases/1101317