In this work, we established a novel theory for the dynamics of oscillating bubbles such as cavitation bubbles, underwater explosion bubbles, and air bubbles. For the first time, we proposed bubble dynamics equations that can simultaneously take into consideration the effects of boundaries, bubble interaction, ambient flow field, gravity, bubble migration, fluid compressibility, viscosity, and surface tension while maintaining a unified and elegant mathematical form. The present theory unifies different classical bubble equations such as the Rayleigh-Plesset equation, the Gilmore equation, and the Keller-Miksis equation. Furthermore, we validated the theory with experimental data of bubbles with a variety in scales, sources, boundaries, and ambient conditions and showed the advantages of our theory over the classical theoretical models, followed by a discussion on the applicability of the present theory based on a comparison to simulation results with different numerical methods. Finally, as a demonstration of the potential of our theory, we modeled the complex multi-cycle bubble interaction with wide ranges of energy and phase differences and gained new physical insights into inter-bubble energy transfer and coupling of bubble-induced pressure waves.

The collapse of an initially spherical cavitation bubble near a free surface leads to the formation of two jets: a downward jet into the liquid, and an upward jet penetrating the free surface. In this study, we examine the surprising interaction of a bubble trapped in a stable cavitating vortex ring approaching a free surface. As a result, a single fast and tall liquid jet forms. We find that this jet is observed only above critical Froude numbers ( $Fr$ ) and Weber numbers ( $We$ ) when ${Fr}^2 (1.6-2.73/{We}) > 1$ , illustrating the importance of inertia, gravity and surface tension in accelerating this novel jet and thereby reaching heights several hundred times the radius of the vortex ring. Our experimental results are supported by numerical simulations, revealing that the underlying mechanism driving the vortex ring acceleration is the disruption of the equilibrium of high-pressure regions at the front and rear of the vortex ring caused by the free surface. Quantitative analysis based on the energy relationships elucidates that the velocity ratio between the maximum velocity of the free-surface jet and the translational velocity of the vortex ring is relatively stable yet is attenuated by surface tension when the jet is mild.

Silicon (Si) is considered a promising anode material for next-generation lithium-ion batteries due to its high theoretical specific capacity and earth-abundancy. However, challenges such as significant volume expansion, unstable solid electrolyte interphase (SEI) formation in incompatible electrolytes, and slow lithium-ion transport lead to its poor cycling and rate performance. In this work, it is demonstrated that superior cyclability and rate capability of Si anodes can be achieved using ethyl fluoroacetate (EFA) and fluoroethylene carbonate (FEC) solvents with low binding energy with Li+ but with sufficiently high relative dielectric constants. By weakening the interaction between Li+ and the solvent, the energy barrier for the Li+ desolvation process is lowered, while ensuring the conductivity and diffusion of Li+. As a result, the silicon-carbon anode with the optimized electrolyte exhibits excellent cycling and rate performance, and can work reversibly with a high capacity of 1709.1 mAh g-1 that proceeds for over 250 cycles and retains 85.2% of its capacity at 0.2C. Furthermore, the Si/C‖LiFePO4 (LFP) full cell shows an extended service life of more than 500 cycles. This work offers valuable insights into the design of weakly solvating electrolytes for high-performance Si-based batteries.

Machine learning is capable of effectively predicting the potential energies of molecules in the presence of high-quality data sets. Its application in the construction of ground- and excited-state potential energy surfaces is attractive to accelerate nonadiabatic molecular dynamics simulations of photochemical reactions. Because of the huge computational cost of excited-state electronic structure calculations, the construction of a high-quality data set becomes a bottleneck. In the present work, we first built two data sets. One was obtained from surface hopping dynamics simulations at the semiempirical OM2/MRCI level. Another was extracted from the dynamics trajectories at the CASSCF level, which was reported previously. The ground- and excited-state potential energy surfaces of ethylene-bridged azobenzene at the CASSCF computational level were constructed based on the former low-level data set. Although non-neural network machine learning methods can achieve good or modest performance during the training process, only neural network models provide reliable predictions on the latter external test data set. The BPNN and SchNet combined with the Δ-ML scheme and the force term in the loss functions are recommended for dynamics simulations. Then, we performed excited-state dynamics simulations of the photoisomerization of ethylene-bridged azobenzene on machine learning potential energy surfaces. Compared with the lifetimes of the first excited state (S