As baterias de estado sólido (ASSBs) são amplamente vistas como uma alternativa mais segura e potencialmente mais eficiente em termos energéticos às tradicionais baterias de íons de lítio. Seu desempenho depende muito da rapidez com que os íons podem se mover através de eletrólitos sólidos. A identificação de materiais que permitem esse movimento rápido de íons tem tradicionalmente exigido síntese demorada e caracterização experimental. Os pesquisadores também contam com simulações computacionais, mas as abordagens computacionais existentes muitas vezes não conseguem modelar com precisão o comportamento complexo e desordenado dos íons em altas temperaturas.
Outra grande dificuldade é detectar e prever quando os íons se movem através dos cristais de maneira semelhante a um líquido. Métodos computacionais padrão que tentam calcular as propriedades de tais sistemas dinamicamente desordenados requerem um poder de processamento extremamente alto, tornando impraticáveis estudos em larga escala.
O aprendizado de máquina prevê sinais de movimento combinatórios de íons semelhantes a líquidos
Para resolver esses problemas, os pesquisadores desenvolveram um fluxo de trabalho de aprendizado de máquina acelerado (ML) que combina campos de força de ML com modelos de ML tensoriais para simular espectros Raman. Suas descobertas mostram que a forte intensidade de espalhamento combinacional de baixa frequência pode atuar como um indicador espectroscópico claro da condutividade iônica líquida.
Quando os íons se movem através de uma rede cristalina de maneira semelhante a um líquido, seu movimento quebra temporariamente a simetria da rede. Esta perturbação relaxa as regras usuais de espalhamento combinatório e produz um espalhamento combinatório característico de baixa frequência. Esses sinais espectrais podem estar diretamente relacionados à alta mobilidade iônica.
A nova abordagem permite aos cientistas simular os espectros vibracionais de materiais complexos e desordenados em temperaturas realistas com uma precisão quase original, ao mesmo tempo que reduz significativamente os custos computacionais. Quando aplicado a materiais que conduzem íons de sódio, como Na3SbS4o método revelou características pronunciadas de espalhamento combinacional de baixa frequência. Esses sinais surgem da quebra de simetria causada pelo transporte rápido de íons e são um indicador confiável de condutância iônica rápida. Os resultados também ajudam a explicar observações experimentais anteriores e abrem a possibilidade de triagem de alto rendimento de novos materiais superiônicos.
Funções de espalhamento combinadas são mostradas por condutores superiônicos
Em seguida, os pesquisadores testaram o método usando sistemas de íon-sódio que conduzem. O fluxo de trabalho identificou com sucesso assinaturas Raman associadas ao movimento de íons semelhantes a líquidos. Materiais que exibiram fortes características de espalhamento combinacional de baixa frequência também exibiram alta difusão de íons e relaxamento dinâmico núcleo-rede.
Em contraste, os materiais nos quais o transporte de íons ocorre principalmente através de saltos entre posições fixas não produzem tais características de espalhamento combinacional. Esta diferença destaca como os sinais de espalhamento combinacional podem revelar o mecanismo de transporte subjacente dentro de um material.
Acelerando a descoberta de materiais avançados para baterias
Ao estender a divisão das regras de espalhamento combinatório além dos sistemas superiônicos tradicionais, o estudo fornece uma base mais ampla para a interpretação do espalhamento combinatório difusivo em muitas classes de materiais. O pipeline de espalhamento combinatório acelerado por ML conecta simulações atomísticas com medições experimentais, permitindo que os cientistas avaliem com mais eficiência os materiais candidatos.
Esta estratégia apresenta um novo e poderoso caminho para a descoberta baseada em dados na investigação de armazenamento de energia. Ao ajudar os pesquisadores a identificar rapidamente condutores iônicos rápidos, a técnica poderia acelerar o desenvolvimento de tecnologias de baterias de estado sólido de alta eficiência.
As descobertas foram publicadas recentemente na edição online da AI for Science, uma revista internacional dedicada à investigação interdisciplinar em inteligência artificial.
