Predicción mediante aprendizaje automático de la conductividad iónica y la energía de enlace en haluros dopados de...

Área de la Ciencia:

• Ciencia de materiales
• Química computacional
• Electroquímica

Sus antecedentes:

• Las baterías de estado sólido completas requieren electrolitos sólidos avanzados para mejorar la seguridad y el rendimiento.
• Los compuestos ternarios de haluro muestran promesa para la conducción iónica rápida, pero su descubrimiento es un desafío.
• Se necesitan métodos eficientes para acelerar la identificación de materiales electrolíticos sólidos novedosos.

Objetivo del estudio:

• Acelerar el descubrimiento de electrolitos sólidos de haluro que conduzcan iones rápidos utilizando aprendizaje automático y DFT.
• Predecir la conductividad iónica y la energía de enlace de los compuestos de haluro.
• Explorar sustituciones y dopantes para mejorar las propiedades del electrolito.

Principales métodos:

• Se construyó una base de datos de compuestos de haluro de la literatura y se fusionó con una base de datos existente de electrolitos inorgánicos de estado sólido.
• Se emplearon modelos de aprendizaje automático supervisado integrados con cálculos de teoría funcional de la densidad (DFT).
• Se utilizaron características elementales interpretables como la Fracción Elemental y los descriptores de Propiedades Elementales para el entrenamiento del modelo.

Principales resultados:

• Se logró un excelente rendimiento predictivo para la conductividad iónica (MAE = 0.6012, R² = 0.8062) y la energía de enlace (MAE = 0.0314, R² = 0.9957).
• Se exploraron sustituciones divalentes y trivalentes en los sistemas Li₂₊₂ₓZr₁₋ₓMe²⁺ₓCl₆ y Li₂₊ₓZr₁₋ₓMe³⁺ₓCl₆.
• Se propusieron Ti³⁺ y Sn²⁺ como dopantes para mejorar la conductividad iónica y la estabilidad estructural en electrolitos de haluro.

Conclusiones:

• El aprendizaje automático, combinado con DFT, es una herramienta poderosa para descubrir eficientemente nuevas composiciones de electrolitos de baterías de estado sólido.
• Los descriptores elementales fácilmente obtenibles son cruciales para desarrollar enfoques efectivos de aprendizaje automático en la ciencia de materiales.
• Este estudio demuestra un camino para acelerar el desarrollo de electrolitos de estado sólido de próxima generación para baterías de estado sólido completas.