Síntesis guiada por aprendizaje automático de calogenuros de fase de Chevrel multinarios

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Química del estado sólido

Sus antecedentes:

• Las fases de Chevrel (CPs) son prometedoras para las aplicaciones de calogenuros de molibdeno, pero están poco exploradas debido a los desafíos de síntesis.
• Los datos limitados de síntesis obstaculizan el descubrimiento de nuevos materiales CP.

Objetivo del estudio:

• Desarrollar un descriptor de aprendizaje automático (Hδ) para predecir la estabilidad y sintetizabilidad de las fases de Chevrel.
• Acelerar el descubrimiento de nuevos materiales CP, en particular los tellururos.

Principales métodos:

• Cálculos de la teoría funcional de la densidad (DFT) para la entalpía de descomposición (ΔHd).
• Aprendizaje automático (SIFT) para generar más de 560.000 descriptores para 438 composiciones CP.
• Selección de más de 200.000 composiciones utilizando Hδ para la identificación de CPs sintetizables (ΔHd < 65 meV/átomo).

Principales resultados:

• Se identificaron 48.501 CP potencialmente sintetizables, incluidos 2.307 telluridos CP.
• Se ha sintetizado con éxito 5 de los 5 nuevos telluridos CP que se prevé sean estables.
• Se confirmó la preferencia de ocupación del sitio del canal en CPs de telururo sintetizados.

Conclusiones:

• El descriptor Hδ interpretable predice con precisión la estabilidad de CP y guía el descubrimiento de materiales.
• El enfoque computacional-experimental acelera la identificación de nuevos materiales en espacios químicos escasos.
• Esta metodología es transferible para acelerar el descubrimiento de otras familias de materiales.