リチウムイオン電池電解質の溶液中での還元に対する正確な電荷認識型機械学習原子間ポテンシャル

科学分野:

• 計算化学
• 材料科学
• 電気化学

背景:

• 機械学習原子間ポテンシャル（MLIP）は、複雑な系のシミュレーションに対してab initioの精度を提供します。
• リチウムイオン電池（LIB）における固体電解質界面（SEI）形成は重要ですが、十分に理解されていません。
• 古典的な力場は、電気化学プロセスにおける結合および電子移動の複雑さに苦労しています。

研究 の 目的:

• LIB電解質における電気化学プロセスの正確なシミュレーションのためのMLIPを開発および検証すること。
• バッテリーに見られるような複数の酸化状態を持つ系のMLIPトレーニングの課題に対処すること。
• 初期充電サイクル中の電解質還元メカニズムおよび電子移動を調査すること。

主な方法:

• メッセージパッシングおよび反復電荷平衡化を特徴とするMPNICE MLIPアーキテクチャを利用しました。
• LIB関連電解質の還元および未還元ポテンシャルエネルギー表面でモデルをトレーニングしました。
• オフセンターラジカル（OCR）のサンプリングおよびトレーニング戦略を開発し、グローバル電荷平衡化（Qeq）の限界に対処しました。

主要な成果:

• 電解質系に対するMLIPのトレーニングにおいて高い精度（1 kcal/mol以内）を達成しました。
• 異なる酸化状態を持つ系のシミュレーションが可能なモデルをトレーニングしました。
• アニオンラジカルの処理および電荷非局在化問題の緩和のための効果的な方法を実証しました。

結論:

• MPNICEは、LIB SEI形成に関連する電気化学プロセスの正確な原子論的シミュレーションを可能にします。
• 本研究は、電解質還元および縮合相電子移動の現実的なシミュレーションに関する新たな洞察を提供します。
• このアプローチは、複雑なバッテリー化学シミュレーションのためのMLIPの能力を進歩させます。