As baterias totalmente de estado sólido (ASSB) são amplamente consideradas como uma alternativa mais segura e potencialmente mais densa em energia às baterias tradicionais de íons de lítio. Seu desempenho depende em grande parte da velocidade com que os íons se movem através do eletrólito sólido. Tradicionalmente, a identificação de materiais capazes de um movimento iônico tão rápido exigia uma síntese demorada e uma caracterização experimental. Os pesquisadores também contam com simulações computacionais, mas os métodos computacionais existentes muitas vezes lutam para simular com precisão o comportamento complexo e desordenado dos íons em altas temperaturas.
Outra grande dificuldade é detectar e prever quando os íons se movem através de um cristal de maneira semelhante a um líquido. Técnicas de computação padrão que tentam calcular as propriedades de tais sistemas dinamicamente desordenados requerem um poder de computação extremamente alto, tornando impraticáveis estudos em larga escala.
O aprendizado de máquina prevê sinais Raman de movimento de íons semelhantes a líquidos
Para enfrentar esses desafios, os pesquisadores desenvolveram um fluxo de trabalho acelerado de aprendizado de máquina (ML) que combina campos de força de ML com modelos de tensor ML para simular a espectroscopia Raman. Seus resultados demonstram que a forte intensidade Raman de baixa frequência pode servir como um claro indicador espectral de condução iônica semelhante a líquido.
À medida que os íons se movem através da rede de maneira semelhante a um fluido, seu movimento interrompe temporariamente a simetria da rede. Essa interferência relaxa as regras usuais de seleção Raman e produz um espalhamento Raman de baixa frequência exclusivo. Esses sinais espectrais podem estar diretamente relacionados à alta mobilidade iônica.
O novo método permite aos cientistas simular os espectros vibracionais de materiais complexos desordenados em temperaturas reais com precisão quase ab initio, ao mesmo tempo que reduz significativamente os custos computacionais. Quando aplicado a materiais condutores de íons de sódio, como Na3Sulfeto de antimônio4este método revela características Raman óbvias de baixa frequência. Esses sinais surgem da quebra de simetria causada pelo rápido transporte iônico e fornecem uma indicação confiável da rápida condução iônica. Esses resultados também ajudam a explicar observações experimentais anteriores e abrem a porta para a triagem de alto rendimento de novos materiais superiônicos.
Assinatura Raman revela condutores superiônicos
Os pesquisadores testaram ainda mais esse método usando um sistema de condução de íons de sódio. Este fluxo de trabalho identificou com sucesso recursos Raman associados ao movimento de íons semelhantes a líquidos. Materiais que exibem fortes assinaturas Raman de baixa frequência também exibem alta difusividade de íons e relaxamento dinâmico da rede hospedeira.
Em contraste, os materiais nos quais o transporte de íons ocorre principalmente através de saltos entre posições fixas não produzem essas características Raman. Esta diferença destaca como os sinais Raman podem revelar mecanismos de transporte subjacentes dentro dos materiais.
Acelerando a descoberta de materiais avançados para baterias
Ao estender a subdivisão das regras de seleção Raman além dos sistemas superiônicos tradicionais, este estudo fornece uma estrutura mais ampla para explicar o espalhamento Raman difuso em uma variedade de materiais. Pipelines Raman acelerados por aprendizado de máquina conectam simulações atômicas a medições experimentais, permitindo que os cientistas avaliem materiais candidatos com mais eficiência.
Esta estratégia introduz um novo e poderoso caminho para descobertas baseadas em dados na investigação de armazenamento de energia. Ao ajudar os pesquisadores a identificar rapidamente condutores de íons rápidos, o método pode acelerar o desenvolvimento de tecnologia de baterias de estado sólido de alto desempenho.
Os resultados desta investigação foram publicados recentemente na versão online da “AI for Science”, uma revista internacional focada na investigação interdisciplinar em inteligência artificial.
