Aprendizaje automático guiado por Ab Initio Estudio de Na Superconductor iónico-tipo Na₄Hf₂(SiO₄) ₃ Electrolito de...

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• Química computacional es la química computacional.
• La electroquímica es electroquímica.

Sus antecedentes:

• Los electrolitos de estado sólido (SSE) son cruciales para el desarrollo de baterías de iones de sodio seguras y eficientes.
• El aprendizaje automático (ML) acelera el descubrimiento y desarrollo de nuevos materiales de SSE.
• Los compuestos del tipo NASICON son una clase prometedora de materiales para aplicaciones SSE.

Objetivo del estudio:

• Para evaluar el Na4Hf2(SiO4)3 como un SSE potencial utilizando un enfoque híbrido ML-DFT.
• Desarrollar un modelo ML predictivo para la conductividad iónica basado en datos experimentales.
• Para validar el rendimiento y la estabilidad del material SSE elegido.

Principales métodos:

• Desarrolló un modelo predictivo de ML entrenado en datos de conductividad iónica de la literatura.
• Se utilizó el análisis SHAP para identificar los factores clave que influyen en el transporte iónico.
• Empleó la teoría funcional de densidad (DFT) y simulaciones de dinámica molecular para su validación.
• Se evaluó la brecha de banda electrónica, la estabilidad dinámica, térmica y mecánica.

Principales resultados:

• Se desarrolló con éxito un modelo ML predictivo para la conductividad iónica.
• Na4Hf2(SiO4)3 demostró una alta conductividad iónica esperada y estabilidad estructural.
• La validación de DFT confirmó la idoneidad del material como un SSE.
• Las características clave que influyen en el transporte iónico se identificaron a través del análisis SHAP.

Conclusiones:

• La estrategia híbrida ML-DFT acelera efectivamente la búsqueda de nuevas SSEs.
• Na4Hf2(SiO4)3 es un candidato prometedor para las baterías de iones de sodio de estado sólido.
• Este enfoque integrado ofrece una poderosa herramienta para el descubrimiento de materiales.