Un marco universal de aprendizaje automático impulsado por inteligencia artificial para el diseño de materiales de cátodos de baterías iónicas | JoVE Visualize

Área de la Ciencia:

Ciencias de los materiales
Química computacional
Aprendizaje automático

Sus antecedentes:

Las redes neuronales de gráficos tradicionales para la predicción de propiedades cristalinas requieren posiciones y tipos atómicos exactos, lo que limita su uso para materiales nuevos.
El desarrollo de modelos predictivos precisos para nuevos materiales es crucial para acelerar los avances de la tecnología de la batería.

Objetivo del estudio:

Introducir BatteryFormer, un modelo de aprendizaje automático que predice las propiedades de los cristales utilizando el radio interatómico promedio, lo que permite la detección de alto rendimiento de los materiales basados en la composición y los prototipos estructurales.
Demostrar la capacidad de BatteryFormer para predecir potenciales redox e identificar las características estructurales clave para diversos materiales catódicos.

Principales métodos:

Desarrolló BatteryFormer, un modelo de aprendizaje automático que utiliza la distancia promedio de radio interatómico para la incrustación de bordes en lugar de longitudes de enlace precisas.
BatteryFormer aplicado para predecir los potenciales redox de varios materiales catódicos, incluidos los óxidos en capas, las sales de fluorofosfato y los compuestos nuevos como Na6CoS4.
Gráficos de conocimiento integrados e inferencia para mapear las relaciones entre las propiedades y la composición de los materiales.

Principales resultados:

BatteryFormer demostró un rendimiento predictivo robusto en diversos tipos de materiales y espacios químicos.
Se han predicho con precisión altos potenciales redox para óxidos en capas, sales de fluorfosfato y sales de fluorfosfato de vanadio.
Se predijo con éxito el bajo potencial redox de Na6CoS4 y se capturaron características estructurales locales críticas que influyen en los potenciales redox.

Conclusiones:

BatteryFormer ofrece un enfoque versátil y preciso para la detección rápida de materiales y la predicción de propiedades, superando las limitaciones de los métodos tradicionales.
La capacidad del modelo para capturar características estructurales e integrar gráficos de conocimiento proporciona una guía práctica para el diseño de cátodos de baterías de iones de sodio de alto rendimiento.
Este marco basado en datos acelera el descubrimiento de materiales y facilita la transición del diseño empírico a la ciencia predictiva de los materiales.