Exploración asistida por IA de conductores de tipo vidrio superiónico de litio con estructuras aromáticas

Área de la Ciencia:

• Ciencias de los materiales
• La electroquímica
• Química computacional

Sus antecedentes:

• Predecir las propiedades de sistemas químicos complejos como los electrolitos de polímeros es un desafío.
• Los métodos existentes a menudo carecen de precisión para el descubrimiento de material nuevo.

Objetivo del estudio:

• Para crear la mayor base de datos de electrolitos de polímeros sólidos conductores de litio.
• Desarrollar un modelo predictivo preciso para la conductividad iónica.
• Para descubrir nuevos materiales conductores superiónicos.

Principales métodos:

• Construyó una base de datos de más de 10.000 electrolitos de polímeros sólidos conductores de litio.
• Empleó una red neuronal de gráficos de transferencia aprendida (GNN) para la predicción de la conductividad.
• Análisis de las predicciones de GNN para identificar candidatos materiales prometedores.

Principales resultados:

• Se ha logrado una alta precisión en la predicción de la conductividad iónica (MAE < 1 en una escala logarítmica).
• Descubrió conductores superiónicos basados en complejos de transferencia de carga de polímeros aromáticos.
• Electrolitos de polímeros vidriosos identificados que exhiben una alta conductividad iónica (~10−3 S/cm a temperatura ambiente).

Conclusiones:

• El aprendizaje automático, específicamente GNNs, puede predecir con precisión las propiedades de los electrolitos de polímeros sólidos.
• Los nuevos electrolitos de polímero vítreo ofrecen un rápido transporte de iones y una mayor estabilidad.
• Este enfoque facilita el descubrimiento de fenómenos químicos inesperados y cambios de paradigma en los materiales energéticos.