Твердотельные аккумуляторы считаются более безопасной и энергоемкой альтернативой традиционным литий-ионным батареям, но их эффективность зависит от скорости движения ионов через твердые электролиты. Поиск материалов с высокой ионной проводимостью традиционно требует длительных экспериментов и сложных вычислений, поскольку стандартные методы моделирования плохо справляются с хаотичным поведением ионов при высоких температурах. Особую сложность представляет обнаружение жидкообразного потока ионов в кристаллических структурах, что требует огромных вычислительных ресурсов.
Чтобы решить эту проблему, исследователи разработали метод машинного обучения, который сочетает ML-силовые поля с тензорными моделями для моделирования спектров Рамана. Результаты показывают, что интенсивное низкочастотное рассеяние Рамана служит четким спектроскопическим индикатором жидкообразной ионной проводимости. Когда ионы движутся через кристаллическую решетку подобно жидкости, их движение временно нарушает симметрию решетки, что ослабляет стандартные правила отбора Рамана и создает характерные сигналы в спектрах.
Применение метода к натрий-ионным проводящим материалам, таким как Na3SbS4, выявило выраженные низкочастотные особенности в спектрах Рамана, связанные с быстрым транспортом ионов. Материалы с такими сигналами демонстрировали высокую ионную диффузию и динамическую релаксацию решетки, в отличие от систем, где ионы перемещаются скачкообразно между фиксированными позициями. Это позволяет использовать спектры Рамана для определения механизма переноса ионов внутри материала.
Новый подход значительно сокращает вычислительные затраты и обеспечивает моделирование спектров с точностью, близкой к ab initio, что открывает путь к высокопроизводительному скринингу суперионных материалов. Метод связывает атомистическое моделирование с экспериментальными измерениями, ускоряя поиск перспективных соединений для твердотельных аккумуляторов. Исследование, опубликованное в журнале AI for Science, предлагает мощный инструмент для разработки высокопроизводительных технологий хранения энергии.
Источник: AI discovers the hidden signal of liquid-like ion flow in solid-state batteries