Minería de electrolitos en estado sólido de bases de datos de marco metálico-orgánico a través de grandes modelos de...

Área de la Ciencia:

• Ciencias de los materiales
• La electroquímica
• Inteligencia artificial

Sus antecedentes:

• Las estructuras metal-orgánicas (MOF) son prometedoras como electrolitos en estado sólido (SSE) para la conducción de iones Li+.
• El desarrollo de las SSE del MOF está limitado por la complejidad y la falta de directrices de diseño.

Objetivo del estudio:

• Aprovechar la IA, específicamente los LLM y el aprendizaje automático, para acelerar el descubrimiento y el diseño de las SSE del MOF.
• Establecer un nuevo paradigma para el descubrimiento de materiales a través de la minería asistida por IA.

Principales métodos:

• Minería de texto interactiva que utiliza LLM para extraer datos del MOF SSE.
• Construcción de un conjunto de datos especializados de las propiedades estructurales y electroquímicas de los MOF.
• Clustering de la representación para identificar candidatos prometedores a la SSE del Ministerio de Educación a partir de un gran conjunto de datos.

Principales resultados:

• Se extrajeron con éxito las SSE del Ministerio de Fomento de más de 11 000 candidatos utilizando LLM y clustering.
• Se identificó a NOTT-400 como un SSE MOF prometedor con una alta conductividad de Li+ (2,23 × 10-4 S cm-1) y una amplia estabilidad electroquímica (0-4,79 V).
• Valida el enfoque impulsado por la IA a través de la caracterización fisicoquímica y la demostración electroquímica.

Conclusiones:

• La IA, en particular los LLM, puede acelerar significativamente la identificación de nuevas SSE MOF.
• La metodología impulsada por la IA proporciona un enfoque confiable y eficiente para el descubrimiento de materiales.
• Este trabajo establece un nuevo paradigma para el diseño de las SSE MOF con propiedades deseables.