Las baterías de estado sólido (ASSB) se consideran ampliamente una alternativa más segura y potencialmente más densa en energía que las baterías tradicionales de iones de litio. Su rendimiento depende en gran medida de la velocidad a la que puedan viajar los iones a través del electrolito sólido. Identificar materiales que permitan este rápido movimiento de iones ha requerido tradicionalmente una síntesis y una caracterización experimental que requieren mucho tiempo. Los investigadores también se basan en simulaciones por computadora, pero los métodos computacionales existentes a menudo tienen dificultades para modelar con precisión el comportamiento complejo y caótico de los iones a altas temperaturas.
Otra dificultad importante es detectar y predecir cuándo los iones atraviesan el cristal en forma líquida. Las técnicas computacionales estándar que intentan calcular las propiedades de tales sistemas dinámicamente perturbados exigen una potencia de cálculo muy alta, lo que hace que los estudios a gran escala no sean prácticos.
El aprendizaje automático predice la señal Raman del movimiento de iones similares a los líquidos
Para abordar estos desafíos, los investigadores desarrollaron un flujo de trabajo acelerado de aprendizaje automático (ML) que combina campos de fuerza de ML con modelos tensoriales de ML para simular espectros Raman. Sus hallazgos muestran que una fuerte intensidad Raman de baja frecuencia puede servir como un indicador espectral claro de la conducción iónica similar a un líquido.
Cuando los iones se mueven a través de una red cristalina en forma líquida, su movimiento perturba temporalmente la simetría de la red. Esta perturbación relaja las reglas normales de selección Raman y produce una dispersión Raman distinta de baja frecuencia. Estas señales espectrales pueden estar directamente relacionadas con una alta movilidad iónica.
El nuevo método permite a los científicos simular los espectros vibratorios de materiales complejos y desordenados a temperaturas realistas con una precisión casi ab initio y, al mismo tiempo, reducir significativamente el costo computacional. Cuando se aplican sustancias conductoras de iones de sodio como Na3SBS4El método revela características Raman pronunciadas de baja frecuencia. Estas señales surgen de la ruptura de la simetría debido al transporte rápido de iones y proporcionan un indicador confiable de la conducción iónica rápida. Los resultados ayudan a explicar observaciones experimentales previas y abren la puerta a la detección de alto rendimiento en busca de nuevos materiales superiónicos.
Las propiedades raman revelan conductores superiónicos
Los investigadores probaron más el método utilizando sistemas conductores de iones de sodio. El flujo de trabajo identificó con éxito la firma Raman asociada con el movimiento de iones similares a los de un líquido. Los materiales que exhiben fuertes propiedades Raman de baja frecuencia también muestran una alta difusividad iónica y relajación dinámica de la red huésped.
Por el contrario, los materiales en los que el transporte de iones se produce principalmente mediante saltos entre posiciones estacionarias no produjeron esta firma Raman. Esta diferencia resalta cómo la señal Raman puede revelar los procesos de transporte subyacentes dentro de un material.
Acelerando el descubrimiento de materiales avanzados para baterías
Al ampliar el desglose de las reglas de selección Raman más allá de los sistemas superiónicos tradicionales, el estudio proporciona un marco integral para interpretar la dispersión Raman difusa en una variedad de clases de materiales. El oleoducto Raman acelerado por ML combina simulaciones atomísticas con mediciones experimentales, lo que permite a los científicos evaluar de manera más eficiente los materiales candidatos.
Esta técnica introduce una nueva y poderosa ruta para el descubrimiento basado en datos en la investigación de conservación de energía. Al ayudar a los investigadores a identificar conductores de iones rápidos, el método podría acelerar el desarrollo de la tecnología de baterías de estado sólido de alto rendimiento.
Los hallazgos se publicaron recientemente en la edición en línea de AI for Science, una revista internacional centrada en la investigación interdisciplinaria de inteligencia artificial.
