字节跳动至“AI+锂电”

摘要

推出电解质模拟框架。

互联网巨头字节跳动本月披露一项名为“BAMBOO”的新技术框架，标志着其将人工智能触角伸向锂电池研发领域。该框架利用机器学习，旨在加速对锂电池材料体系关键构成——液态电解质的模拟研究。

该框架的核心是一种被称为机器学习力场（MLFF）的技术，它结合了人工智能与分子模拟。通过训练 AI 模型学习原子间的相互作用力，MLFF 可以在维持高精度的前提下，大幅提升模拟计算的速度。

其工作流程通常始于利用高精度的量子力学计算生成原子结构及其能量、受力的数据集，随后利用这些数据训练 AI 模型，最终将训练好的模型应用于更大规模、更长时间的分子运动模拟。

业内专家认为，MLFF 是 AI 与基础科学计算结合的成功范例，其最终目的是更高效地模拟复杂体系。

尽管机器学习力场已在固体材料和小分子研究中得到广泛应用，但其在液体电解质模拟方面仍存在显著差距。字节跳动此次推出的 BAMBOO 框架，正是为了解决这一挑战。

液体电解质内部涉及复杂的化学反应和界面现象，传统的实验方法难以全面、细致地观察这些过程。

对于新型电解质材料的开发而言，现有商业产品多为碳酸盐基，成分复杂，常包含五种以上组分以满足不同性能要求。通过实验来探索和优化这些多组分体系，成本高昂且耗时漫长，很大程度上依赖研究人员的经验和直觉。这限制了新材料从实验室概念验证到市场产品的转化速度。

原子模拟提供了一种替代方案，但面临两难：精确的量子力学模拟计算量巨大，而传统的经典力场方法又精度不足。MLFF 有望结合两者的优点，实现速度与精度的平衡。

然而，将 MLFF 应用于液体电解质并非易事，因其内部离子与溶剂分子可以形成多种复杂的局部结构，增加了模拟难度。此前的尝试虽取得一些进展，但通用性有待验证，且模拟过程中的模型崩溃、结果不稳定以及对初始计算数据质量的依赖等问题也限制了实际应用。

根据字节跳动发布的信息，BAMBOO 在此背景下展现出其潜力。该框架在预测多种电解质的关键性质（如密度、粘度和离子电导率）方面，展现出领先的准确性。

据称，当前版本的 BAMBOO 模型能够模拟包含多达 15 种不同化学成分的体系，这对于通常包含多达 10 种成分的实际电解质设计具有重要意义。报告指出，其预测的多种成分密度与实验值的平均误差仅为0.01 g cm−3。

在更广泛的锂电材料研究领域，机器学习力场的应用已不鲜见。评价此类技术的先进性通常关注几个关键维度。

例如，能否在接近第一性原理计算精度的同时，将计算速度提升数个数量级；能否准确模拟电化学反应过程；是否具备从原子细节到宏观行为的多尺度模拟能力，以准确预测锂离子迁移等现象；以及模型对未曾见过的新结构或化学环境是否依然能做出准确预测，并最终实现在保持高精度计算的前提下，模拟更大体系、更长时间的演化。

外界关注字节跳动涉足锂电研究的动机。

一种观点认为，这可能与其庞大的数据中心业务相关。市场数据显示，字节跳动现有数据中心规模达 3GW，预计到 2028 年将增至 8GW，对电力供应和储能技术有巨大需求。该公司此前已宣布计划自建变电站以增强电力自主权。

此外，字节跳动在电池领域早有布局。2022 年，该公司曾与中科院物理所团队合作，研发出一种基于硫化物固态电解质的全固态电池，展示了其对前沿电池技术的关注。

此次在电解质模拟领域的投入，或与其在储能和未来电池技术上的长远规划相符。