.png){kind=icon}
返回
The search for superionic solid-state electrolytes using a physics-informed generative model
.png){kind=icon}
PRE
AI
DOI：10.1039/D5MH00767D.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超离子固态电解质材料的发现目前受限于在线材料数据库中可用的材料范围。生成式人工智能方法最近被应用于克服这一限制，以探索未知的化学计量比和结构；但高效生成满足严格稳定性标准的候选材料仍然具有挑战性。在此，我们介绍了一种基于物理信息的层次化生成框架，该框架利用对称性感知的晶体学原理系统地探索分子构型、晶格参数和成键环境。我们的方法整合了经验性物理约束和利用层次化状态表示的强化学习，以生成化学上有效且结构稳定的候选材料。我们提出了用于基于流遍历的密度（SHAFT-density）的对称性感知层次化架构，该架构确保了对材料搜索空间的效率探索，优先考虑低形成能、为稳定性和导电性优化的分子堆积以及增强的电化学性能。我们发现了新的二元和三元亚稳相，其中我们发现高导电性的LiBr、LiCl、Li₂IBr和Li₃CBr₂。这些材料可以作为固态电解质材料，或作为固态电解质混合物的一部分。我们的结果表明，该模型能够识别稳定、多样且可能具有超离子特性的化合物，为开发具有改进特性的下一代固态电解质提供了有前景的候选材料。
Keyword:
superionic electrolytes
generative AI
crystallographic principles
reinforcement learning
solid-state batteries
期刊
IF:
10.7
论文数:
3.6K
被引数:
2.4W
机构
引用论文
Extraction Of LiCl From Low-Purity Chlorides Through Solid Electrolyte Towards High-Purity Li2CO3 Production通过固体电解质从低纯度氯化物中提取LiCl以生产高纯度Li2CO3.png)
CHEMSUSCHEM
CHEMSUSCHEMIF6.6
PREAI
分享收藏Commentary: The Materials Project: A materials genome approach to accelerating materials innovation评论: 材料项目: 加速材料创新的材料基因组方法APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules使用数据驱动的分子连续表示的自动化学设计ACS CENTRAL SCIENCE
OAAI
ACS CENTRAL SCIENCEIF10.4
OAAI分享收藏Machine Learning for Predicting the Band Gaps of ABX3 Perovskites from Elemental Properties从元素性质预测ABX3钙钛矿带隙的机器学习
PREAI
分享收藏
查看更多内容