正文

硬碳是钠离子电池负极等用的无序碳，几十年了仍不清楚它在原子尺度上怎么从高分子前驱体长出来——实验难原位看，第一性原理算又太贵、体系太小。一篇发表于《Chemical Science》的研究用机器学习势第一次给出了完整原子路径。注意日期：原论文首次发表于 2026 年 10 月 8 日，10 月 28 日是牛津大学的公开报道日，不是 10 月 28 日新刊论文。

背景：要解决什么问题

硬碳“无序却不石墨化”的结构从哪来？前驱体化学怎么决定最终的缺陷结构、进而影响电池性能？没有原子尺度的路径，这些问题只能靠猜。

他们做了什么

用定制机器学习原子间势。机器学习势就是先用量子力学数据训练一个“快而准”的势函数，再用它跑大体系分子动力学——能量与受力接近量子力学计算，但速度远快。体系是聚偏二氯乙烯（PVDC）的热解。

关键结果

两阶段过程：第一阶段是自由基介导的脱氯化氢——碳氯键均裂产生氯自由基，夺氢后以氯化氢离开，留下高反应活性的不饱和碳位点；第二阶段是碳碳逐步交联，随后热激活重排成扩展的 sp² 键合网络。sp² 就是碳以类似石墨的平面三键方式连接。关键结构解释是：五元环、七元环等非六元环结构持续存在，就像足球上的五边形让表面弯曲一样，使碳网弯曲、无法排成平整石墨层，这正是硬碳无序却不石墨化的根源。

为什么重要

它把“前驱体化学—缺陷结构—电池性能”连了起来，为设计钠电负极前驱体提供了依据。

与 MPC＋MD 课题的关联

关联是间接的，但方法启发明确：它示范了机器学习势如何把昂贵的第一性原理方法推到实验相关尺度。如果你的 MPC＋MD 课题将来要处理化学反应、交联或热解这类经典 MD 本身难描述的过程，机器学习势＋经典模拟的混合路线值得关注。但本文不涉及 MPC 溶剂动力学、链构象动力学，不能直接套用到链动力学体系。

来源

Chemical Science，首次发表 2026-10-08，DOI：10.1039/D6SC05974K