近日，中國科學院上海應用物理研究所在熔鹽物性及結構預測方面取得重要進展，研究團隊利用機器學習與分子動力學模擬技術詳細闡述了二元氯化鎂基熔鹽的微納結構、熱物性及其構效關系。相關成果以“Development of Deep Potentials of Molten MgCl₂-NaCl and MgCl₂-KCl Salts Driven by Machine Learning”為題，發表于ACS Applied Materials & Interfaces，論文第一作者為上海應物所博士研究生徐婷睿，通訊作者為李雪嬌副研究員和唐忠鋒研究員。

MgCl₂-NaCl（MN）和MgCl₂-KCl（MK）熔鹽作為性能較優且價格低廉的傳熱流體和儲熱介質，有望在第四代熔鹽反應堆系統以及第三代太陽能熱發電系統中發揮重要作用。熔鹽的熱容、密度、粘度和熱導率等性質直接關系到熱工系統的設計，而通過實驗測量無法避免因熔鹽高溫下的反應性和腐蝕性帶來的較大誤差。第一性原理分子動力學（FPMD）模擬無需力場模型即可預測熔鹽的性質，但可延申的時空尺度受限，對時間關聯型性質的預測誤差大；經典分子動力學模擬可以一定程度上消除尺度效應，但需要經驗勢參數的輸入。研究人員各取所長，首先基于FPMD模擬結果采用深度學習的方法獲得兩種鹽的相互作用勢，然后再進行更大時空尺度的深度勢模擬（DPMD），采用時間分解法并考慮熱電耦合效應，優化了熔鹽粘度和熱導率的計算協議，并解釋了熔鹽性質與局域結構的關聯。本研究將熔鹽性質預測誤差減小到5%以內，并發現MK鹽的比熱容更高，儲熱性能更優；而MN鹽具有較大的熱導率和較低的粘度，在熱傳遞方面表現更好。通過徑向分布函數、平均力勢和配位數等結構分析，揭示了Mg-Cl鍵在熔鹽性質中的重要作用：相比MN鹽，Mg-Cl鍵在MK鹽中結合更緊密，陰離子跳出第一配位殼層所需的能壘更高，因此MK鹽的比熱容高而傳輸性能低。此外，該研究獲得的深度勢模型具有高度泛化的能力，不僅能準確模擬在數據集溫度下的熔鹽性質，還能實現非數據集溫度下性質的成功預測。這項技術的突破展示了機器學習在熔鹽化學領域，特別是在處理復雜熔鹽體系熱動力學性質方面的應用潛力。

本研究得到了國家重點研發計劃、國家自然科學基金和上海應物所育新計劃的支持。（熔鹽化學工程技術部 供稿）

文章鏈接：https://doi.org/10.1021/acsami.2c19272