ИИ обнаружил скрытый сигнал жидкоподобного ионного потока внутри кристаллов: прорыв в поиске материалов для батарей нового поколения

Поиск материалов, способных заменить жидкие электролиты в батареях — веществ, проводящих ионы столь же свободно, как жидкости, но обладающих безопасностью и стабильностью твёрдых тел — остаётся одной из ключевых задач энергетических технологий. 7 марта 2026 года группа исследователей опубликовала в AI for Science, международном междисциплинарном журнале, работу, которая может открыть принципиально новый подход к поиску таких материалов. Используя конвейер машинного обучения, предсказывающий рамановские спектры — картины рассеяния света молекулярными колебаниями — исследователи обнаружили ранее невидимый низкочастотный спектральный сигнал в твёрдых кристаллических материалах, который оказался характерной сигнатурой жидкоподобного движения ионов внутри жёсткой кристаллической решётки.

Открытие: скрытый спектральный отпечаток

Рамановская спектроскопия — стандартный аналитический метод в материаловедении: лазерный луч направляется на материал, и спектр рассеянного света раскрывает информацию о молекулярной структуре и динамике. Однако обнаруженный исследователями сигнал существует на низких частотах, где он обычно скрыт шумом, тепловым уширением и значительно более сильными сигналами кристаллической решётки. Традиционные методы анализа полностью его пропускали. Конвейер машинного обучения — обученный на обширном наборе симулированных и экспериментальных спектров — смог предсказать полный рамановский спектр с достаточным разрешением для выделения этого слабого низкочастотного компонента.

Физический механизм сигнала примечателен. В обычном кристалле ионы зафиксированы в определённых позициях повторяющейся решётки. Но в некоторых материалах — суперионных проводниках — часть ионов становится высокомобильной, протекая сквозь решётку почти как в жидкости. Это быстрое движение ионов временно нарушает локальную симметрию кристалла, создавая переходные искажения, которые и порождают характерный низкочастотный рамановский сигнал.

graph TD
    A["База данных<br/>кристаллических структур"] --> B["ML-предсказание<br/>рамановского спектра"]
    B --> C{"Детектирован<br/>низкочастотный сигнал?"}
    C -->|Да| D["Кандидат в суперионные<br/>проводники"]
    C -->|Нет| E["Стандартный ионный<br/>проводник"]
    D --> F["Экспериментальная<br/>валидация"]
    F --> G["Материалы для батарей<br/>нового поколения"]

Значение для твердотельных батарей

Твердотельные батареи обещают решить многие проблемы литий-ионной технологии: они безопаснее (нет горючего жидкого электролита), энергоплотнее (тоньше сепараторы, литий-металлические аноды) и долговечнее. Но фундаментальное узкое место — ионная проводимость: необходимо найти твёрдые материалы, проводящие ионы лития так же эффективно, как жидкие электролиты. Каждый новый материал-кандидат требует месяцев синтеза, характеризации и тестирования. Описанный подход машинного обучения может радикально сократить этот срок, скрининг материалов вычислительно ещё до начала физического синтеза.

Открытие вписывается в более широкое ускорение ИИ-управляемого материаловедения. Отдельная статья, опубликованная в Nature Nanotechnology в начале марта 2026 года, описала создание нового композитного твёрдого электролита, успешно разделяющего пути ионной проводимости и механическую гибкость. Он обеспечивает суперионную проводимость, сопоставимую с жидкими электролитами, при сохранении механической адаптивности, необходимой для практических батарейных ячеек. В совокупности эти разработки свидетельствуют о том, что конвергенция ИИ и материаловедения достигает критической массы, когда вычислительное предсказание и экспериментальные инновации усиливают друг друга с нарастающим темпом.