Un Potencial Interatómico de Aprendizaje Automático Preciso y Consciente de la Carga para la Reducción de...

Área de la Ciencia:

• Química computacional; Ciencia de materiales; Electroquímica

Sus antecedentes:

• Los potenciales interatómicos de aprendizaje automático (MLIP) ofrecen precisión ab initio para la simulación de sistemas complejos.
• La formación de la intercara de electrolito sólido (SEI) en baterías de iones de litio (LIB) es crucial pero poco comprendida.
• Los campos de fuerza clásicos luchan con las complejidades de la unión y la transferencia de electrones en procesos electroquímicos.

Objetivo del estudio:

• Desarrollar y validar MLIPs para la simulación precisa de procesos electroquímicos en electrolitos de LIB.
• Abordar el desafío de entrenar MLIPs para sistemas con múltiples estados de oxidación, como los que se encuentran en las baterías.
• Investigar los mecanismos de reducción de electrolitos y la transferencia de electrones durante el ciclo de carga inicial.

Principales métodos:

• Se utilizó la arquitectura MPNICE MLIP, que presenta paso de mensajes y असलेले charge equilibration iterativo.
• Se entrenaron modelos en superficies de potencial de energía reducidas y no reducidas para electrolitos relevantes para LIB.
• Se desarrollaron estrategias para el muestreo y entrenamiento en radicales fuera de centro (OCR) y se abordaron las limitaciones del charge equilibration global (Qeq).

Principales resultados:

• Se logró una alta precisión (dentro de 1 kcal/mol) en el entrenamiento de MLIPs para sistemas de electrolitos.
• Se entrenaron con éxito modelos capaces de simular sistemas con diferentes estados de oxidación.
• Se demostraron métodos efectivos para el manejo de radicales aniónicos y la mitigación de problemas de deslocalización de carga.

Conclusiones:

• MPNICE permite simulaciones atomísticas precisas de procesos electroquímicos relevantes para la formación de SEI en LIB.
• El estudio proporciona nuevas perspectivas sobre la reducción de electrolitos y la simulación realista de la transferencia de electrones en fase condensada.
• Este enfoque avanza la capacidad de los MLIPs para simulaciones complejas de química de baterías.