《Advanced Science》：Atomic Defects in Layered Transition Metal Dichalcogenides for Sustainable Energy Storage and the Intelligent Trends in Data Analytics
编辑推荐：
本综述系统阐述了原子缺陷在二维过渡金属二硫属化物（TMDs）中的关键作用，重点探讨了如何通过缺陷工程调控TMDs的物理化学性质以提升其在电池、超级电容器等可持续储能器件中的性能（如能量密度、倍率性能和循环稳定性），并综述了机器学习（ML）赋能的高通量透射电子显微镜（TEM）数据分析在原子缺陷表征中的最新进展，为下一代智能储能器件的设计提供了新视角。
1 引言
全球能源需求激增和环境危机迫使能源消费结构从化石燃料转向清洁可持续能源。可再生能源装机容量在2024年达到约4770 GW的创纪录高点，其中电化学储能器件（如电池和超级电容器）因其能量密度、寿命、响应速度和灵活性方面的优势，在终端应用（如电动汽车和便携式电子设备）中展现出巨大潜力。目前，最成熟的电化学储能技术是锂离子电池（LIBs），但其性能已接近理论极限，且存在安全隐患。层状过渡金属二硫属化物（TMDs），化学式通常为MX2（M = Mo, Ti, W, Re; X = S, Se, Te），因其可调的物理、化学和电子特性，在储能、转换和电子器件领域受到广泛关注。然而，原始TMDs存在活性位点有限、导电性差、循环过程中结构稳定性不足等问题。缺陷工程为调控TMDs性能提供了有效策略。同时，透射电子显微镜（TEM）技术的繁荣产生了大量图像数据，而机器学习（ML）的出现正变革着电镜数据分析的范式，为高效缺陷表征提供了强大工具。
2 原子缺陷的分类与可视化
理想的单晶是完美排列的，但实际材料中缺陷不可避免。根据原子结构，TMDs中的缺陷可分为五类：空位、异质原子掺杂、晶界、边缘和复合缺陷。目前，TEM技术能够在原子尺度上精确可视化和研究这些缺陷。空位是指晶格原子缺失的位置，会引发晶格畸变和局部电荷重排。异质原子掺杂是指外来原子取代、吸附或插层到正常晶格中，可显著改变TMDs的骨架和电子态。晶界源于不同取向晶粒之间的原子缝合，而边缘是材料与真空的界面。复合缺陷则包含两种或以上单一缺陷类型。TEM，特别是高分辨率TEM（HR-TEM）和扫描TEM（STEM），能够以皮米级精度全面反映材料的结构信息。
3 缺陷TMDs在电化学储能器件中的应用
3.1 缺陷对TMDs性能的调控作用
缺陷在TMDs中可作为存储/吸附/活性位点，加速电化学反应。其主要作用包括：
促进离子/电子电导率：空位或异质原子掺杂会引起晶格畸变，为离子扩散和电荷转移提供额外通道和缺陷能级。
增加活性位点：通过构建枝晶或多孔结构暴露边缘，或通过引入面内缺陷激活基面，可增强对离子或中间体的吸附能力。
维持结构稳定性：缺陷如面内掺杂或插层可以扩大层间距，缓解循环过程中的体积变化，提升电极材料的结构稳定性。
诱导自旋效应：缺陷可改变TMDs的本征自旋态，影响其键合、杂化能力和电荷传输性质。
3.2.1 电极材料
层状TMDs不仅可通过插层化学存储离子，还可通过可逆转换反应（生成M和A2X，其中A = Li, Na, K）作为有前景的负极材料。缺陷工程（如创建空位、异质原子掺杂）可有效优化TMDs的载流子浓度、能带结构、反应动力学和结构稳定性，用于锂离子电池（LIBs）、钠离子电池（SIBs）、钾离子电池（KIBs）和水系锌离子电池（ZIBs）等。例如，富含硫空位和氧掺杂的MoS2作为ZIBs正极材料表现出高可逆容量和优异的循环稳定性。
3.2.2 双功能催化电极材料
在转换型金属电池（如Li-S、Li-O2电池）中，缺陷TMDs可作为高效阴极催化剂，促进多硫化物的吸附/转化或氧还原/析出反应（ORR/OER）动力学。例如，富含硒空位的WSe2-x纳米片可作为Li-S电池中多硫化物的高效吸附和催化中心。通过掺杂（如Co掺杂MoS2）可调节晶格硫的电子密度，优化硫物种的还原活性。
3.2.3 人工中间层
缺陷TMDs可作为稳定的人工中间层应用于金属（如Li、Na、Zn）负极，通过均匀化离子流、降低成核势垒、抑制枝晶生长和副反应来提升电池的循环寿命和安全性。例如，锂插层的1T相MoS2薄膜可作为锂金属负极的保护层，显著延长对称电池和全电池的寿命。
3.2.4 电解质添加剂
将缺陷TMDs作为填料加入聚合物电解质基体中，可触发与链段和锂盐的强界面相互作用，有效解离锂盐并提供额外的离子传输通道，从而提升离子电导率并形成稳固的固态电解质界面（SEI）。例如，富含硫空位的WS2纳米片作为PVDF基聚合物电解质的添加剂，可将其离子电导率提升至1.9 × 10-3S cm-1（25°C）。
4 机器学习赋能的TEM智能分析
4.1 构建高质量数据集的ML方法
ML模型可用于对TEM图像进行去噪和像差校正，提升信噪比（SNR）和空间分辨率。例如，基于卷积神经网络（CNN）的图像恢复算法、扩散模型（如SARDiffuse）和无监督去噪框架（如U-Net架构）已被成功应用。生成模型（如CycleGAN、解耦表示学习DRL）可用于生成与实验数据风格和内容高度一致的模拟图像，为下游ML模型训练提供高质量标注数据集。
4.2 原子缺陷分析的ML方法
一系列ML模型（如AtomSegNet、全卷积网络FCN、图神经网络GNN）已被开发用于高通量TEM数据分析，实现原子柱定位、缺陷识别与分类（如空位、掺杂、晶界）。例如，基于等变图神经网络（EGNN）的框架能够高效分析包含空位、晶界、相界、掺杂等多种缺陷的原子结构库。无监督学习框架（如结合Zernike多项式ZP和聚类算法）可在无需先验标注的情况下探索缺陷结构的多样性。
4.3 ML启发新知识
ML赋能的缺陷分析不仅限于识别，还可用于统计分析和挖掘新知识。例如，通过分析时间序列STEM图像构建缺陷轨迹的时空图，可精确计算缺陷扩散系数并追踪其动力学行为。ML辅助的分析还能揭示缺陷的自组装行为（如硫空位线SVLs的各向异性生长）。此外，结合理论计算和电化学验证的ML驱动范式（如发现Teads-Mo反位缺陷）为高效催化剂设计提供了闭环研究范例。
5 总结与展望
缺陷TMDs在可持续储能器件中应用前景广阔，而ML技术正在变革包括缺陷表征在内的材料创新全链条。尽管面临实验室研究与规模化应用间的差距、电化学过程中缺陷动态演化的深入理解、ML模型普适性与可解释性的提升等挑战，但ML与材料科学的深度融合，以及“AI for Materials”（如大语言模型、高通量计算、机器人自动化）在材料设计、合成、表征和优化中的应用，为实现智能高效的缺陷工程和下一代高性能储能器件的开发带来了无限潜力。
