As baterias totalmente de estado sólido (ASSB) são amplamente vistas como uma alternativa mais segura e potencialmente mais densa em energia às baterias tradicionais de íons de lítio. Seu desempenho depende fortemente da rapidez com que os íons podem viajar através do eletrólito sólido. A identificação de materiais que permitem esse rápido movimento iônico tem tradicionalmente exigido síntese demorada e caracterização experimental. Os pesquisadores também contam com simulações de computador, mas os métodos computacionais existentes muitas vezes lutam para modelar com precisão o comportamento complexo e caótico dos íons em altas temperaturas.
Outra grande dificuldade é detectar e prever quando os íons passam através do cristal de maneira semelhante a um líquido. Técnicas computacionais padrão que tentam calcular as propriedades de tais sistemas perturbados dinamicamente exigem um poder computacional muito alto, tornando impraticáveis estudos em larga escala.
O aprendizado de máquina prevê sinais Raman de movimento de íons semelhantes a líquidos
Para enfrentar esses desafios, os pesquisadores desenvolveram um fluxo de trabalho acelerado de aprendizado de máquina (ML) que combina campos de força de ML com modelos de ML tensoriais para simular espectros Raman. Suas descobertas mostram que a forte intensidade Raman de baixa frequência pode servir como um claro indicador espectral de condução iônica semelhante a líquido.
Quando os íons se movem através de uma rede cristalina de maneira semelhante a um líquido, seu movimento perturba temporariamente a simetria da rede. Esta perturbação relaxa as regras normais de seleção Raman e produz um espalhamento Raman distinto de baixa frequência. Esses sinais espectrais podem estar diretamente ligados à alta mobilidade iônica.
O novo método permite aos cientistas simular os espectros vibracionais de materiais complexos e desordenados em temperaturas realistas com precisão quase ab initio, ao mesmo tempo que reduz significativamente o custo computacional. Quando substâncias condutoras de íons de sódio, como Na, são aplicadas3SBS4O método revela características Raman pronunciadas de baixa frequência. Esses sinais surgem da quebra de simetria devido ao transporte rápido de íons e fornecem um indicador confiável de condução iônica rápida. Os resultados ajudam a explicar observações experimentais anteriores e abrem a porta para uma triagem de alto rendimento para novos materiais superiônicos.
Propriedades Raman revelam condutores superiônicos
Os pesquisadores testaram ainda mais o método usando sistemas condutores de íons de sódio. O fluxo de trabalho identificou com sucesso a assinatura Raman associada ao movimento de íons semelhantes a líquidos. Materiais que exibem fortes propriedades Raman de baixa frequência também apresentam alta difusividade iônica e relaxamento dinâmico da rede hospedeira.
Em contraste, materiais nos quais o transporte iônico ocorre principalmente por saltos entre posições estacionárias não produziram esta assinatura Raman. Esta diferença destaca como o sinal Raman pode revelar os processos de transporte subjacentes dentro de um material.
Acelerando a descoberta de materiais avançados para baterias
Estendendo a divisão das regras de seleção Raman além dos sistemas superiônicos tradicionais, o estudo fornece uma estrutura abrangente para interpretar a dispersão Raman difusa em uma variedade de classes de materiais. O pipeline Raman acelerado por ML combina simulações atomísticas com medições experimentais, permitindo aos cientistas avaliar de forma mais eficiente os materiais candidatos.
Esta técnica introduz uma nova rota poderosa para a descoberta baseada em dados na pesquisa de conservação de energia. Ao ajudar os pesquisadores a identificar condutores de íons rápidos, o método poderia acelerar o desenvolvimento de tecnologia de baterias de estado sólido de alto desempenho.
As descobertas foram publicadas recentemente na edição online da AI for Science, uma revista internacional focada na pesquisa interdisciplinar de inteligência artificial.
