加快高性能固态电解质的发现和设计:一种机器学习方法

科学领域:

• 材料科学 材料科学 材料科学
• 电化学 电化学 电化学
• 计算材料科学科学 计算材料科学

背景情况:

• 固态电池 (SSB) 与液体电解质电池相比,提供了更高的性能,但面临着开发障碍.
• 传统的固态电解质 (SSE) 选是缓慢的,昂贵的和有偏见的,限制了对潜在的离子导体的探索.
• 了解晶格中的离子运输机制对于设计先进的SSE至关重要.

研究的目的:

• 开发一种机器学习 (ML) 方法,以加速发现高性能SSEs.
• 确定控制纳西康化合物中离子流动性的关键生理化学特征.
• 为离子电池设计和验证具有改善离子导电性的新型化SSE.

主要方法:

• 利用基于后勤回归的机器学习来量化影响纳西康结构中离子流动性的特征.
• 采用ML识别的剂特征来设计新的剂SSEs.
• 使用密度函数理论 (DFT) 计算验证的材料特性.

主要成果:

• 确定了两种新型的化SSEs,Li₂Mg_0.5Ge_1.5(PO₄)₃和Li_1.667Y_0.667Ge_1.333,具有高离子导电性.
• Li₂Mg_0.5Ge_1.5(PO₄) ₃表现出报告中最低的迁移障碍 (0.261 eV),其表现优于LAGP (0.37 eV).
• Li_1.667Y_0.667Ge_1.333(PO₄) ₃显示了第二个最低的迁移障碍 (0.365 eV).显示了第二个最低的迁移障碍 (0.365 eV).

结论:

• 基于机器学习的方法大大减少了发现具有目标性质的材料所需的时间和资源.
• 这种方法可以有效地探索SSE尚未探索的材料组成.
• 可适应的ML框架可用于加速其他领域的材料发现,如催化和结构材料.