.png){kind=icon}
返回
Accelerating the discovery of disordered multi-component solid-state electrolytes using machine learning interatomic potentials
.png){kind=icon}
PRE
AI
DOI：10.1039/D5TA05321H.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习原子间势（MLIPs）正迅速成为材料模拟的有力工具，为探索传统方法难以触及的复杂系统提供了有前景的途径。本研究调查了基于MACE架构的MLIPs在多组分、无序固态电解质（SSEs）中的应用，这是一类对下一代固态电池至关重要的材料。我们首先将MACE的性能与已建立的SSE家族（Na1+xZr2SixP3-xO12和Li4xGexP1-xO4-4xS4x）进行基准测试，确认其普适性，同时识别在化学多样性系统中开发稳健势能的关键考量。该工作流程强调代表性构型的选择，为在复杂、多组分环境中构建可靠模型提供了关键见解。我们进一步通过构建新型卤化物体系Li3InxY1-xBr6yCl6-6y（x；y ∈ [0；1]且x + y ≥ 1）的高性能MLIP，展示了该方法的预测能力，从而确定了具有最有利预测离子传输性质的Li3In0.5Y0.5Br3Cl3化学计量比。通过分析本研究中使用MLIP生成的MD轨迹，我们识别出该材料中两种不同的Li离子迁移路径。训练后的模型促进了卤化物SSEs中复杂阴阳离子混合取代的计算研究，为包含多组分的更高熵系统提供了新见解。我们的结果表明，MLIPs能够加速复杂功能材料的发现周期，并为设计先进SSEs提供稳健的计算框架。
期刊
IF:
9.5
论文数:
3.3W
被引数:
21.7W
机构
暂无机构信息
引用论文
Wet Chemistry Route to Li3InCl6: Microstructural Control Render High Ionic Conductivity and Enhanced All-Solid-State Battery PerformanceLi3InCl6的湿化学路线: 微结构控制赋予高离子电导率和增强的全固态电池性能.png)
ADVANCED SCIENCE
OAAI
ADVANCED SCIENCEIF14.1
OAAI分享收藏Fundamentals of inorganic solid-state electrolytes for batteries电池用无机固态电解质基础NATURE MATERIALS
NATURE MATERIALSIF38.5
PREAI
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 COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Data-Efficient Multifidelity Training for High-Fidelity Machine Learning Interatomic Potentials高保真机器学习原子间势的数据高效多保真度训练
PREAI
分享收藏Room temperature demonstration of a sodium superionic conductor with grain conductivity in excess of 0.01 S cm-1 and its primary applications in symmetric battery cells晶粒电导率超过0.01 S cm-1的钠超离子导体的室温演示及其在对称电池中的主要应用OAAI
OAAI分享收藏
Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏
查看更多内容