完全固体電池のための固体電解質としてのカチオン乱高エントロピーガーネット構造:機械学習駆動の発見

科学分野:

• 材料科学
• 電気化学
• コンピュータ化学

背景:

• 高エントロピー固体電解質 (HE SSEs) は,完全固体電池 (ASSB) の性能と安全性を向上させます.
• HE SSEの広大な化学空間と複雑さは,従来の実験的および計算的スクリーニング方法に挑戦しています.
• 新しい HE SSE の発見を加速することは,バッテリー技術の進歩に不可欠です.

研究 の 目的:

• カチオン乱高エントロピー (CDHE) グラネット型SSE候補の効率的なスクリーニングのための新しい機械学習 (ML) ベースの方法論を開発し,適用する.
• 計算コストの削減と効率の向上による有望なHE SSEの探索を加速する.
• 高いイオン伝導性を有する新しいCDHEガーネット型の材料をASSBで特定する.

主な方法:

• 電子伝導性と熱力学的な安定性に基づいた4348のCDHEガーネット型SSE候補をスクリーニングするためにMLベースの代理モデルを使用した.
• 安定した原子構成を決定し,デンドライト抑制のための弾性特性を計算するために,クリスタルハミルトングラフニューラルネットワーク (CHGNet) を採用した.
• リチウムの拡散とイオン伝導性を評価するために,精密調整されたCHGNetポテンシャルで分子動力学 (MD) シミュレーションを行った.

主要な成果:

• 電子伝導性と熱力学的好意性をフィルタリングしたCDHEガーネット型SSE候補の大量のデータセットをスクリーニングしました.
• デンドライト形成を抑制し,インターフェイスの安定性を確保する可能性を示す,有利な弾性を持つ候補材料を特定した.
• 室温で10−4S/cm以上のイオン伝導性を示す3つの有望なCDHEガーネット型SSE候補がMDシミュレーションで確認されました.

結論:

• 開発されたMLベースのスクリーニングフレームワークは,高性能HE SSEの発見を大幅に加速します.
• 特定されたCDHEの石榴石型の材料は,次世代の全固体電池の可能性を示しています.
• このアプローチは,エネルギー貯蔵アプリケーションのための複雑な材料システムを探索するための計算効率の良い経路を提供します.