Fujitsu разработала новый метод обучения нейросетевых потенциалов, позволяющий за неделю моделировать поведение более 100 000 атомов в интерфейсе твёрдотельной батареи на отрезке 10 наносекунд с точностью, близкой к расчётам первых принципов.
Технология открывает путь к целенаправленному управлению формированием твёрдого электролитного межфазного слоя (SEI), критического для ресурса и безопасности аккумуляторов.
Решение будет встроено в платформу SCIGRESS и доступно клиентам к марту 2026 года, сокращая цикл разработки материалов с месяцев на недели.
Почему моделирование интерфейсов стало узким местом в батареях
Твёрдотельные аккумуляторы — одно из самых перспективных направлений в хранении энергии. Они обещают более высокую энергоёмкость (на 20% выше, чем литий-ионные батареи с графитовым анодом), повышенную безопасность и устойчивость к частым быстрым зарядкам. Однако производство твёрдотельных батарей упирается в один критический узел: граница между электродом и твёрдым электролитом. На этой границе самопроизвольно формируется тонкий пассивирующий слой — твёрдый электролитный межфазный слой (SEI, solid electrolyte interphase).
SEI должен одновременно проводить ионы лития и блокировать электроны. Любой дефект в его структуре напрямую сокращает срок службы батареи и снижает безопасность. Проблема в том, что SEI формируется в начальные моменты работы батареи и зависит от множества факторов: химии электрода, электролита, температуры, режимов зарядки. Классические методы молекулярной динамики либо требуют недопустимо больших вычислительных ресурсов, либо используют такие грубые упрощения, что результаты теряют релевантность. В итоге инженеры принимают решения почти вслепую, опираясь на ограниченный набор экспериментов.
Межфазный слой SEI — это нанометровая плёнка на границе электрода и твёрдого электролита, которая формируется при взаимодействии материалов и отложении продуктов разложения электролита.
Без стабильного и хорошо упорядоченного SEI твёрдотельные батареи не могут достичь обещаемых характеристик по циклам зарядки и безопасности.
Реалистичное моделирование SEI на атомном уровне было практически недостижимо до недавнего времени — требовались месяцы вычислений даже для относительно малых систем.
Как Fujitsu преодолела вычислительный барьер
Основная трудность молекулярно-динамического (МД) моделирования в том, что с ростом размера системы растут и вычислительные затраты. Классические методы на основе графовых нейросетей (GNN) обладают высокой выразительностью и точностью, близкой к расчётам из первых принципов (DFT), но работают очень медленно. Для системы из 100+ тысяч атомов, моделируемой на протяжении 10 наносекунд, такие методы требуют года машинного времени.
Fujitsu применила метод, называемый knowledge distillation (перенос знаний). Идея проста и элегантна: вместо того чтобы обучать сложный и медленный GNN-потенциал с нуля, инженеры переносили знания из уже существующих, хорошо обученных GNN-моделей в куда более лёгкую архитектуру — многослойный перцептрон (MLP). В результате удалось сохранить близкую к ab initio точность, но достичь сотки ускорения вычислений.
Суть инновации в стабильности. При применении к реальной системе далеко не все нейросетевые потенциалы работают надёжно — часто система расходится, структура «коллапсирует». Fujitsu разработала специализированный подход, в котором MLP-потенциал наследует не просто численные параметры от GNN-учителя, но и геометрические знания о структуре материала, что обеспечивает устойчивость симуляций.
Графовые нейросети обучаются на миллионах примеров взаимодействия атомов и запоминают, как различные структуры должны вести себя при малых смещениях.
Простые многослойные перцептроны быстрее, но им нужно меньше примеров, чтобы аппроксимировать эту же зависимость — если они учатся от хорошего учителя.
Для инженеров это значит: можно получить результаты за неделю вместо года, сохраняя точность достаточной для материаловедческих выводов.
Что удалось смоделировать и почему это значимо
В демонстрационном расчёте Fujitsu применила новую технологию к интерфейсу следующего поколения твёрдотельной батареи, содержавшему 127 296 атомов. Система моделировалась на протяжении 10 наносекунд реального времени, достаточного, чтобы отследить ранние стадии формирования SEI. Расчёты заняли примерно неделю вычислительного времени — вместо года, требовавшегося методам на основе чистых GNN-потенциалов.
Важность этого результата в том, что впервые удалось получить реалистичную динамику атомной структуры SEI в крупной системе. До Fujitsu исследователи либо ограничивались намного меньшим числом атомов (несколько тысяч), либо рассматривали слишком короткие временные окна (единицы пикосекунд), где ключевые процессы просто не успевали проявиться. Теперь же технология позволяет видеть, как разложение электролита, миграция ионов и перестройка связей приводят к формированию рабочей или дефектной конфигурации SEI.
Проникновение на атомный уровень в процесс формирования SEI открывает путь к целенаправленной инженерии интерфейсов. Вместо слепого перебора составов электролитов и покрытий электродов, разработчики могут использовать симуляции для скрининга наиболее перспективных вариантов, а затем проверить их в лаборатории. Это сокращает как время разработки, так и количество экспериментальных неудач.
Высокоточная симуляция SEI даёт не только красивые 3D-картинки, но и измеримые параметры: толщину слоя, распределение ионов, стабильность ковалентных связей, структурный порядок.
Эти параметры напрямую связаны с экспериментально наблюдаемыми характеристиками батареи — внутренним сопротивлением, скоростью деградации ёмкости, устойчивостью к образованию дендритов.
Замыкая цикл «моделирование → измерение → оптимизация», инженеры получают инструмент для систематического улучшения материалов без годов слепого перебора.
Коммерциализация: от лаборатории к инженерам
Fujitsu объявила, что новая технология будет встроена в коммерческую платформу SCIGRESS для вычислений в химии материалов. Доступ клиентам будет открыт к марту 2026 года. SCIGRESS — это не исследовательский инструмент, а промышленная платформа, широко используемая командами, разрабатывающими материалы для батарей, катализаторов и других энергетических приложений.
Это означает, что доступ к инструменту получат не только внутренние R&D-команды крупных производителей, но и стартапы в сфере батарей, химические компании, и даже университетские лаборатории. Каждая такая команда сможет симулировать свои собственные материалы и интерфейсы, что ускоряет трансфер технологий и расширяет экосистему. На горизонте 2026–2027 годов можно ожидать появления целого поколения более надёжных твёрдотельных батарей, разработанных с помощью этого инструмента.
Инвестиционный аспект интересен тем, что компании, первыми интегрировавшие Fujitsu-симуляции в свой R&D-конвейер, получат преимущество в скорости вывода на рынок. Для инвесторов это сигнал к тому, чтобы внимательнее смотреть не только на химические стартапы батарей, но и на компании, которые строят инфраструктуру для ускоренной разработки материалов.
Каждый цикл синтеза новых материалов, экспериментальной проверки и анализа результатов занимает недели и требует дорогостоящей лабораторной инфраструктуры.
Перенос части работы в цифровую среду сокращает число неудачных серий на 30–50% и снижает совокупные затраты на доведение технологии до промышленного прототипа.
Для инвесторов это означает более предсказуемые дорожные карты, сокращённые сроки разработки и меньше технологических рисков на критических этапах.
Роль ИИ в цепочке создания энергетических материалов
Прорыв Fujitsu укладывается в растущую тенденцию: интеграция машинного обучения и высокопроизводительных вычислений (HPC) в разработку материалов. Нейросетевые потенциалы уже зарекомендовали себя в биофизике, материаловедении и химии катализаторов, но их применение к сложным энергетическим системам типа твёрдотельных батарей долгое время считалось недостижимым из-за требований к точности и масштабу моделирования.
Комбинация предварительно обученных GNN-моделей, лёгких MLP-архитектур и специализированной инфраструктуры Fujitsu для численных расчётов создаёт новый стандарт для отрасли: «сначала скринируем в силико (в компьютере), потом синтезируем в витро (в пробирке)». Это не замена лабораторной работе, а её умная оптимизация. Для корпоративных R&D-команд это возможность встроить ИИ-ускоренное моделирование в свои собственные конвейеры разработки батарей и других энергетических материалов, сохраняя конфиденциальность данных на собственных серверах.
Перспективы на 2027–2030 годы
Индустрия твёрдотельных батарей уже находится на пороге коммерциализации. Согласно прогнозам, массовое производство твёрдотельных батарей, ранее планировавшееся на 2030 год, переносится на 2027 год. Несколько лидеров рынка уже начали проектирование производственных линий. В этом контексте ускорение разработки материалов на 50–70%, которое обещает новая технология Fujitsu, может стать конкурентным преимуществом.
На ближайшие три года можно ожидать следующие сдвиги. Во-первых, появятся промышленные прототипы с более предсказуемым поведением при быстрой зарядке и в сложных температурных условиях. Во-вторых, вырастет барьер входа для игроков, которые не инвестируют в цифровую трансформацию R&D: без доступа к высокопроизводительному моделированию они будут отставать в скорости итераций. В-третьих, произойдёт консолидация вокруг платформ типа SCIGRESS: компании, контролирующие инструменты для моделирования материалов, получат влияние на экосистему разработчиков батарей.
Производители батарей и автопроизводители: сейчас самое время закладывать ИИ-моделирование интерфейсов в свои технологические дорожные карты на 2025–2026 годы, чтобы вывести первые всё-твёрдотельные системы раньше конкурентов.
Инвесторы венчурного капитала: стоит смотреть не только на химические стартапы батарей, но и на компании, построившие инфраструктуру для ускоренной разработки материалов — они получают привлекательный потребительский спрос от растущего числа материаловедческих команд.
Корпоративные R&D-команды: важно уже сейчас выстраивать партнёрства с поставщиками платформ типа SCIGRESS, чтобы не отставать от лидеров отрасли к концу 2027 года.
Узнать больше
Платформа SCIGRESS и ИИ-моделирование материалов Fujitsu
SCIGRESS — коммерческая платформа для вычислений в химии материалов, разработанная Fujitsu. С марта 2026 года в неё будут встроены новые методы моделирования твёрдотельных электролитов и интерфейсов, основанные на нейросетевых потенциалах с knowledge distillation. Команды, разрабатывающие материалы для батарей, смогут запускать симуляции SEI на своей инфраструктуре, сохраняя конфиденциальность данных и получая результаты за недели вместо месяцев.
Источники информации
Материал подготовлен на основе официальных источников
Основные данные взяты из пресс-релиза Fujitsu Limited от 1 декабря 2025 года о разработке технологии высокоточного молекулярно-динамического моделирования интерфейсов твёрдотельных батарей, видео-материалов компании (The Open Forum, Universal Lens, декабрь 2025), публичных источников о платформе SCIGRESS, а также из отчётов о развитии рынка твёрдотельных батарей (EVTank, IDTechEx, 2025). Технология была отмечена Premium Electric Science and Technology Promotion Award 2025 от The Promotion Foundation of Electrical Science and Engineering.
