摘要 开发能够在极端条件下运行的锂金属电池电解质是一项重大挑战，并且往往因缺乏系统的溶剂筛选研究而受到阻碍。在这项研究中，通过 DFT 和 COSMO-RS 计算，来评估包含20种溶剂的190种二元混合物，以识别具有宽液体温度范围和高LiTFSI溶解度的电解质。四亚甲基砜（TMS）因其高沸点和低熔融焓而成为一种有前景的候选者，这会提高混合物中的泡点并降低共晶温度。利用具有七个σ描述符的机器学习模型，精确预测了Li和TFSI离子结合能。这些结合能主要受到强静电和范德华相互作用的影响。这种综合方法突出了DFT、COSMO-RS和机器学习技术相结合在指导电解质设计方面的有效性。 参考文献 Rational electrolyte design for Li-metal batteries operated under extreme conditions: a combined DFT, COSMO-RS, and machine learning study, J. Mater. Chem. A, 2024, 12, 15792
俄罗斯科学院南方科学中心Yuri F. Migal教授对铁中大角度晶界，杂质原子和合金元素原子的结合能进行了量子化学定量计算。 第四周期的元素，从钾到氪作为杂质。作者使用材料化学软件包AMS中BAND模块计算了晶体原始的能量（以孤立原子能量为参考点），以及分裂后两个体系各自的能量（以孤立原子能量为参考点），从而得到晶粒间结合能。用高角度边界模型计算的不同原子结构的结合能，与早期使用平面模型计算得到的结果定性上是一致的。结果表明，晶粒间的结合强度主要取决于晶界处原子的类型，原子的排列细节影响较小。 基于这样的现象，根据这些元素与铁之间的化学键的强弱，对位于晶界的元素进行分类成为可能。所有元素可分为三类：（i）加固作用；（ii）软化作用和（iii）不显著影响边界强度。第四周期元素，可以被分配第一类中，如钛、钒、铬、锰，钴和镍。包括硫酸钾的软化元素则包括钾、钙、砷、钪、硒、溴。这与已知的有关这些元素在实验方面的信息是一致的。 参考文献： Yuri F. Migal, Strength of Interatomic Bonds at High-Angle Grain Boundaries in Iron, Advanced Materials pp 227-234
