Construcción guiada por aprendizaje automático de heteroestructuras de MoS₂/MoO₃ en capas huecas de carbono para la...

Área de la Ciencia:

• Ciencias de los materiales
• La electroquímica
• Química computacional

Sus antecedentes:

• Las baterías de litio-azufre (LiS) ofrecen una alta densidad de energía, pero se enfrentan a desafíos como el transporte de polisulfuro y la cinética redox lenta.
• El diseño actual del catalizador carece de enfoques sistemáticos, lo que dificulta la comercialización de la batería LiS.

Objetivo del estudio:

• Desarrollar una estrategia basada en el aprendizaje automático (ML) para el diseño de catalizadores eficientes para baterías LiS.
• Para optimizar los parámetros de síntesis de catalizadores para mejorar el rendimiento.

Principales métodos:

• Modelado de árboles de decisión de impulso de gradiente utilizado para el diseño de catalizadores guiados por ML.
• Heteroestructuras sintetizadas de MoS2/MoO3 en capas huecas de carbono dopadas con nitrógeno (NCS).
• Parámetros críticos de síntesis identificados (temperatura de carbonización, duración de la oxidación) para equilibrar la adsorción y la catálisis.

Principales resultados:

• La heterostructura diseñada MoS2/MoO3-NCS confinó efectivamente los polisulfuros y aceleró la cinética de conversión.
• Las baterías LiS con separadores modificados mostraron una alta capacidad inicial (1002 mAh g-1 a 1C) y una excelente estabilidad (661 mAh g-1 después de 500 ciclos).
• Las celdas de bolsa de alta carga de azufre mantuvieron una capacidad de área significativa con una alta retención.

Conclusiones:

• Estableció un paradigma para el diseño de electrocatalizadores acelerados por ML para el almacenamiento de energía de próxima generación.
• Demostró una estrategia de síntesis escalable para componentes avanzados de baterías LiS.
• Abordar desafíos críticos en la tecnología de baterías LiS a través del diseño inteligente de catalizadores.