编辑丨%
扩散是自然界中最普遍与重要的现象之一，从手边的冰美式到工业中电池等产品的合成，所有这些都从根本上依赖于这种质量传输方式。在能源材料中，离子想要流动，就得穿越复杂的原子迷宫。可要弄清楚这些原子在晶体中是怎么「走」的——尤其是它们翻越的能量障碍——一直是材料科学里最耗时的环节。
传统方法，比如密度泛函理论（DFT）结合「弹性带」（NEB）算法，计算一次离子扩散路径可能要花上数小时甚至数天。做一两个样品还行，想系统扫描上百种材料？那几乎是不可能完成的任务。
来自中国科学院物理研究所等的研究团队为此开发了一种名为 FastTrack 的新机器学习框架，为离子装上了导航系统。它的核心是把机器学习势场（MLFFs）的速度优势和三维势能面采样结合起来，让计算机在几分钟内重建出一个离子可能移动的能量地形图。
论文链接：https://iopscience.iop.org/article/10.1088/3050-287X/ae0808
AI 接管方向盘
离子迁移（ion diffusion）听起来抽象，却几乎决定了一块电池的灵魂。离子能否快速通过电极、在电解质中穿梭，不仅影响功率和循环寿命，还关乎安全性。 衡量这一过程的关键指标叫迁移能垒（migration barrier），它描述了离子从一个稳定位置跃迁到另一个所需的能量。能垒高，离子「卡壳」；能垒低，导电性能就好。
在原子级别上对原子迁移势垒的实验测量仍然具有根本性的挑战。现有的大多数可用方法，都依赖于检测大量原子的集体行为。这些技术提供宏观平均值，通常无法隔离单个原子的内在迁移率。
图 1：FastTrack 的操作流程。
FastTrack 通过采用 MLFFs，能够对给定晶体中的原子扩散进行微尺度估计，其精度与 DFT 相当，但计算速度大约快 10 倍。此外，团队还发布了一个开源软件包，名为 FastTrace，能够识别迁移路径、可视化势能面（potential-energy-surface，PES）并计算迁移势垒。
具体点来说，传统 DFT 需要从头计算每一步；FastTrack 则是「先学地形，再全图导航」。算法会自动生成完整的三维势能面，再用插值和寻径算法找出最省能量的通路，不需要人工指定中间点。
ML+PES 的完美配合
团队展示了该方法的两种代表性应用。在层状 LiCoO₂中，FastTrack 揭示了独特的迁移路径：单空位扩散的约 600 meV 势垒与双空位条件下的约 250 meV 势垒，与先前研究一致；在 LiFePO₄中，该方法捕捉了沿[010]方向的狭窄一维通道，产生了约 300 meV 的势垒，突出了磷酸骨架的内禀刚性。
图 2：锂离子迁移势能面与迁移能垒轮廓。
FastTrack 对力场并无依赖，这意味着它可以与任何兼容的 MLFF 配对。团队系统地评估了三种最先进的模型——GPTFF、CHGNet 和 MACE，证明了它们在不同化学中的稳定性能。使用 PBE/PBE+U 数据集进行特定任务的微调进一步提高了势垒预测的准确性，强调了高质量训练数据的重要性。
快不止是速度
FastTrack 不只是一个加速器，它具备自动路径识别、能量地形可视化、开放兼容性与开源等诸多令人印象深刻的特性。这些特性让 FastTrack 不只是一个工具，更像是一个自动化的研究伙伴，能把理论与实践之间那条漫长的道路铺平。
它把原本依赖巨量计算资源的过程变得轻盈快捷，也让研究者更自由地去探索真正重要的科学问题。从某种意义上说，这不只是一次算法优化，而是科研范式的微调：未来的计算物理，也许不再是「单点突破」的工艺，而是「AI+物理模型」协同作业的系统工程。
相关链接：https://www.eurekalert.org/news-releases/1101317
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
