Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials 一文探讨了多保真度机器学习力场在正极材料研究中的应用。多保真度方法的核心思想是结合少量高精度计算数据（如DFT）和大量低精度计算数据（如经验力场），构建一个既准确又高效的机器学习力场模型。该方法可以显著降低计算成本，同时保持对材料性能的预测精度。对正极材料研发而言，这意味着可以更快地筛选掺杂元素、优化烧结工艺参数、预测材料的结构稳定性和电化学性能。
LMFP正极材料面临锰溶出、循环寿命、压实密度等技术挑战。锰溶出的机理涉及锰离子在电解液中的溶解和沉积，以及其对正极材料结构的破坏。传统实验方法难以在原子尺度上直接观测锰溶出过程，而机器学习力场可以模拟锰离子在正极材料表面的迁移路径和溶解能垒，为抑制锰溶出提供理论指导。此外，掺杂包覆工艺的优化也可以通过机器学习力场进行高通量筛选，加速材料开发进程。
对正极材料企业而言，机器学习辅助材料开发正在成为新的技术竞争点。头部企业如容百科技、当升科技等已开始布局计算材料学团队，与高校和科研院所合作开展机器学习力场研究。LMFP的配方优化涉及锰铁比例、掺杂元素种类和含量、包覆层厚度等多个变量，传统实验试错方法周期长、成本高。机器学习力场方法可以在较短时间内筛选出有潜力的配方组合，大幅缩短研发周期。
学术前沿的研究成果向工业界转化仍需时间。多保真度机器学习力场的构建需要大量的计算数据和实验验证，目前仍处于方法探索阶段。但可以预见，随着计算能力的提升和机器学习算法的成熟，机器学习力场将在正极材料研发中发挥越来越重要的作用。对LMFP行业而言，率先掌握计算驱动材料开发能力的企业，有望在下一阶段的技术竞争中占据优势。