.png){kind=icon}
返回
Accelerating solid-state battery design: predicting ionic conductivity with machine learning potentials
.png){kind=icon}
PRE
AI
DOI：10.1039/D5TA07245J.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实现固态电解质（SSEs）的高离子电导率对下一代电池至关重要；然而，探索广阔的化学空间受到第一性原理计算方法计算成本的阻碍。为加速这一发现过程，我们为Li–P–S–Ge–Sn体系开发了一种高保真机器学习势（MLP）。该MLP在能量和原子力方面均与DFT计算结果表现出优异的一致性。随后，我们评估了其在多个任务上的预测性能，包括扩散势垒计算和扩散系数提取，并获得了持续准确的结果。关键在于，基于该势能进行的大规模分子动力学（MD）模拟预测了八种典型SSEs在室温下的离子电导率，其结果与实验值高度相关（R²=0.93）。利用这一预测能力，我们确定了两种性能提升的关键策略：优化锂空位浓度和通过部分Ge/Sn取代调节主体骨架。我们的模拟表明，这些改性通过创建更有利的扩散通道和增加结构无序度来提高电导率。这项工作建立了一个高效的计算引擎，用于快速准确地筛选SSE组分，为下一代固态电池的理性、数据驱动的合理设计提供了强大工具。
期刊
J
IF:
0
论文数:
1.6K
被引数:
582
机构
引用论文
Unlocking the Potential of Fluoride-Based Solid Electrolytes for Solid-State Lithium Batteries释放用于固态锂电池的氟化物基固体电解质的潜力
PREAI
分享收藏Rapid and Economic Synthesis of a Li7PS6 Solid Electrolyte from a Liquid Approach从液体方法快速经济地合成Li7PS6固体电解质
PREAI
分享收藏Cl-Doped Li10SnP2S12 with Enhanced Ionic Conductivity and Lower Li-Ion Migration BarrierCl掺杂的Li10SnP2S12具有增强的离子电导率和较低的锂离子迁移势垒
PREAI
分享收藏Electrochemical Stability of Li10GeP2S12 and Li7La3Zr2O12 Solid ElectrolytesLi10GeP2S12和Li7La3Zr2O12固体电解质的电化学稳定性
OAAI
OAAI分享收藏Generalized gradient approximation for the exchange-correlation hole of a many-electron system多电子系统交换相关空穴的广义梯度近似.png)
PHYSICAL REVIEW BOAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Optimizing Ionic Conductivity of Lithium in Li7PS6 Argyrodite via Dopant Engineering通过掺杂工程优化Li7PS6 Argyrodite中锂的离子电导率OAAI
OAAI分享收藏Enhanced Li-Ion Conductivity and Air Stability of Sb-Substituted Li4GeS4 toward All-Solid-State Li-Ion Batteries增强的锂离子电导率和Sb取代的Li4GeS4对全固态锂离子电池的空气稳定性
PREAI
分享收藏Tackling Structural Complexity in Li2S-P2S5 Solid-State Electrolytes Using Machine Learning Potentials使用机器学习潜力解决Li2S-P2S5固态电解质中的结构复杂性NANOMATERIALSOAAI
NANOMATERIALSIF4.3
OAAI分享收藏
查看更多内容