Aceleración del cálculo de las constantes de acidez y los potenciales de redox para las baterías de flujo de redox...

Área de la Ciencia:

• La electroquímica
• Ciencias de los materiales
• Química computacional

Sus antecedentes:

• La creciente demanda de almacenamiento de energía a gran escala impulsa el interés en soluciones de energía limpia.
• Las baterías de flujo redox (RFB) son prometedoras, y las RFB orgánicas acuosas ofrecen una alternativa rentable a los sistemas de metales de transición.
• La predicción precisa de los potenciales redox es esencial para diseñar nuevas moléculas orgánicas para RFB, pero los métodos computacionales actuales enfrentan desafíos.

Objetivo del estudio:

• Desarrollar un flujo de trabajo automatizado para la construcción de un potencial de aprendizaje automático universal (MLP) para cálculos precisos y eficientes del potencial redox y la constante de acidez.
• Para permitir una selección y diseño más rápidos de nuevas moléculas orgánicas para baterías de flujo redox acuoso.
• Reducir el costo computacional asociado con la predicción de potenciales redox utilizando técnicas de simulación avanzadas.

Principales métodos:

• Desarrolló un flujo de trabajo automatizado para crear un único potencial de aprendizaje automático universal (MLP) aplicable tanto a los estados de reactivo como de producto.
• Utilizó la dinámica molecular de aprendizaje automático (MLMD) para acelerar las simulaciones de dinámica molecular ab initio (AIMD).
• Se ha permitido una evaluación rentable de los potenciales redox previstos a nivel funcional híbrido.

Principales resultados:

• Creó con éxito un MLP universal para el cálculo eficiente de los potenciales redox y las constantes de acidez para las moléculas orgánicas.
• Demostró que el flujo de trabajo desarrollado reduce significativamente los costos computacionales en comparación con los métodos tradicionales.
• Facilitó predicciones precisas del potencial redox, cruciales para el diseño de RFB acuosos orgánicos avanzados.

Conclusiones:

• El flujo de trabajo automatizado y el MLP universal ofrecen un enfoque más eficiente y preciso para diseñar moléculas orgánicas para baterías de flujo redox acuoso.
• Este método supera las limitaciones de los modelos de solución implícitos y los altos costos computacionales de AIMD.
• Acelera el descubrimiento y desarrollo de materiales de almacenamiento de energía de próxima generación.