ドープされたLi₂ZrCl₆ハライドにおけるイオン伝導度と結合エネルギーの機械学習予測：固体電解質

科学分野:

• 材料科学
• 計算化学
• 電気化学

背景:

• 全固体電池は、安全性と性能を向上させるために高度な固体電解質を必要とします。
• 三元系ハライド化合物は高速イオン伝導の可能性を示していますが、その発見は困難です。
• 新規固体電解質材料の特定を加速するための効率的な方法が必要です。

研究 の 目的:

• 機械学習とDFTを用いて、高速イオン伝導性ハライド固体電解質の発見を加速すること。
• ハライド化合物のイオン伝導度と結合エネルギーを予測すること。
• 電解質特性を向上させるための置換およびドーパントを調査すること。

主な方法:

• 文献からハライド化合物データベースを構築し、既存の無機固体電解質データベースと統合しました。
• 密度汎関数理論（DFT）計算と統合された教師あり機械学習モデルを採用しました。
• モデルトレーニングのために、Element FractionおよびElement Property記述子などの解釈可能な要素特徴量を利用しました。

主要な成果:

• イオン伝導度（MAE = 0.6012, R² = 0.8062）および結合エネルギー（MAE = 0.0314, R² = 0.9957）において優れた予測性能を達成しました。
• Li₂₊₂ₓZr₁₋ₓMe²⁺ₓCl₆およびLi₂₊ₓZr₁₋ₓMe³⁺ₓCl₆系における二価および三価の置換を調査しました。
• ハライド電解質におけるイオン伝導度と構造安定性を向上させるためのドーパントとしてTi³⁺およびSn²⁺を提案しました。

結論:

• 機械学習は、DFTと組み合わせることで、新しい固体電解質組成を効率的に発見するための強力なツールです。
• 容易に入手可能な要素記述子は、材料科学における効果的な機械学習アプローチの開発に不可欠です。
• 本研究は、次世代全固体電池用固体電解質開発を加速する道筋を示しています。