Direct Simulation of LiNi0.8Mn0.1Co0.1O2 Transport Properties Using an Efficient and Accurate Machine Learning Potential

ملخص تقني: المحاكاة المباشرة لخصائص النقل في LiNi0.8Mn0.1Co0.1O2 باستخدام جهد تعلم آلي فعال ودقيق

بيان المشكلة
تعد مواد الكاثود من أكسيد النيكل والمنغنيز والكوبالت الليثيوم ذي الطبقات (NMC)، وتحديداً LiNi0.8Mn0.1Co0.1O2 (NMC811)، بالغة الأهمية لبطاريات أيونات الليثيوم ذات كثافة الطاقة العالية في الجيل القادم نظراً لفعاليتها من حيث التكلفة وكثافة طاقتها العالية. ومع ذلك، فإن بنيتها الذرية غير المنتظمة بطبيعتها تفرض تحديات كبيرة أمام توصيف الخصائص المجهرية، وخاصة انتشار أيونات الليثيوم. غالباً ما تعطي القياسات التجريبية لمعاملات انتشار الليثيوم (مثل GITT أو EIS أو PITT) معاملات انتشار ذاتي تختلف بمقدار عدة رتب مقدارية. أما حوسبياً، فإن نظرية وظيفية الكثافة (DFT) التقليدية محدودة بسبب التكاليف الباهظة، مما يقيد الدراسات في خلايا فائقة صغيرة وحسابات محددة لحواجز الطاقة (مثل طرق NEB)، بدلاً من المراقبة المباشرة لأحداث الهجرة عبر أزمنة ذات صلة. وبناءً على ذلك، لا يزال الفهم الأساسي لآليات نقل الليثيوم في شبكة NMC811 غير المنتظمة غير كافٍ.

المنهجية
يقترح المؤلفون سير عمل فعال في استهلاك البيانات لبناء جهد تعلم آلي (MLP) مخصص لـ NMC811، مما يسمح بإجراء محاكاة ديناميكا جزيئية (MD) مباشرة واسعة النطاق. يدمج سير العمل ثلاثة مكونات رئيسية:

1. ضبط النموذج التأسيسي: تم ضبط نموذج تأسيسي مسبق التدريب من نوع MACE (توسيع عنقود الذرات عبر تمرير الرسائل) باستخدام مجموعة بيانات منسقة مكونة من 985 تكويناً ذرياً مصنفاً بواسطة DFT. غطت هذه التكوينات نطاقاً من قياسات الليثيوم (Li0–60Ni48Mn6Co6O120) مع ترتيبات عشوائية للمعادن الانتقالية وفجوات الليثيوم. استخدمت عملية الضبط الدقيق طاقات وقوى ذرية كأهداف، مع دالة خسارة تركز بشدة على دقة الطاقة.
2. استكشاف الحالات القريبة من الحالة الأرضية: تم استخدام خوارزمية بحث تطوري (ævo-MACE) لاستكشاف التكوينات المستقرة لـ NMC811. استخدم هذا البحث نموذج MACE الذي تم ضبطه بدقة لمسح الفضاء التكويني بكفاءة. تم بعد ذلك تحسين التكوينات الناتجة القريبة من الحالة الأرضية عبر تحسين الهندسة باستخدام DFT، وأضيفت التكوينات المتوسطة من تلك المسارات إلى مجموعة بيانات التدريب لالتقاط التشوهات الهيكلية.
3. التعلم النشط لأخذ العينات غير المتوازنة: لضمان تغطية الـ MLP للحالات غير المتوازنة ذات الصلة بالانتشار، تم تنفيذ استراتيجية لجنة مشرفة (مجموعة نماذج). تم تدريب أربعة نماذج ænet على مجموعة البيانات الأولية. وجهت هذه النماذح عمليات محاكاة الديناميكا الجزيئية (التي أجريت عبر واجهة ænet–LAMPS) عند درجات حرارة تتراوح بين 1000 كلفن و2000 كلفن. تم اختيار الهياكل المرشحة لإعادة التصنيف بـ DFT بناءً على الانحراف المعياري للقوى الذرية التي تنبأت بها المجموعة. تم اختيار الهياكل ذات عدم اليقين المتوسط (التي ليست موصوفة جيداً ولا غير فيزيائية) لإجراء حسابات نقطة واحدة بـ DFT، مما أدى إلى توسيع مجموعة التدريب بشكل تكراري.

تم التحقق من صحة الـ MLP النهائي مقابل DFT لكل من طاقات الحالة الأرضية وطاقات الحالة الانتقالية (باستخدام حسابات NEB). بعد ذلك، أجريت محاكاة ديناميكا جزيئية واسعة النطاق باستخدام النموذج النهائي على خلايا فائقة تحتوي على ما يصل إلى 960 ذرة (Li48–432Ni384Mn48Co48O960) لحساب متوسط مربع الإزاحة (MSD) ومعاملات الانتشار لليثيوم.

المساهمات الرئيسية

• سير عمل فعال في البيانات: توضح الدراسة طريقة لبناء MLP موثوق للمواد الكاثود المعقدة وغير المنتظمة باستخدام عدد محدود من الحسابات المرجعية لـ DFT عبر الجمع بين ضبط النموذج التأسيسي والتعلم النشط.
• المحاكاة المباشرة واسعة النطاق: يتغلب الجهد المطور على قيود الزمان والمقياس الطولي لـ DFT، مما يسمح بمحاكاة ديناميكا جزيئية مباشرة للانتشار الذاتي لليثيوم في NMC811 دون الاعتماد على مسارات انتشار محددة مسبقاً أو خلايا فائقة صغيرة.
• التحقق من خصائص النقل: يقدم العمل مقارنة مباشرة لمعاملات الانتشار التي تنبأ بها الـ MLP مقابل البيانات التجريبية، مما يؤكد قدرة الجهد على التقاط سطح طاقة الوضع المعقد لـ NMC811 غير المنتظم.

النتائج

• دقة النموذج: قلل نموذج MACE الذي تم ضبطه بدقة بشكل كبير من الانحرافات المنهجية في تنبؤات الطاقة والقوة مقارنة بالنموذج التأسيسي قبل التدريب. أظهر الـ MLP النهائي توافقاً ممتازاً مع DFT في ملفات الطاقة على مسارات NEB، حيث التقط بدقة طاقات الحالة الانتقالية.
• معاملات الانتشار: أسفرت محاكاة الديناميكا الجزيئية التي أجريت عند درجات حرارة بين 600 كلفن و1200 كلفن عن معاملات الانتشار الذاتي لليثيوم. وعند استقراءها إلى 300 كلفن باستخدام علاقة أرينيوس، أظهرت المعاملات المتوقعة توافقاً نوعياً مع البيانات التجريبية من Tubtimkuna et al. وChien et al.
• الاعتماد على حالة الشحن (SOC): أشارت النت النتائج إلى أن دقة التنبؤ كانت أعلى عند SOC المنخفض (تركيز فجوات الليثيوم المنخفض)، حيث تقل درجات الحرية التكوينية. عند SOC المرتفع، أظهرت معاملات الانتشار المتوقعة تبايناً أكبر عبر التكوينات المختلفة للخلايا الفائقة العشوائية، مما يعكس زيادة التعقيد في النظام غير المنتظم تحت ظروف أخذ العينات الموحدة.

الأهمية
يزعم البحث أن هذا النهج القائم على التعلم الآلي يوفر إطاراً قوياً لفهم نقل الأيونات في مواد الكاثود الواقعية وغير المنتظمة، متجاوزاً قيود DFT التقليدية وطرق التوسع العنقودي. ومن خلال تمكين المحاكاة المباشرة لخصائص النقل، يسهل سير العمل المقترح فهماً أكثر تفصيلاً لآليات انتشار الليثيوم، وهو أمر ضروري للتصميم العقلاني لمواد البطاريات عالية الأداء. ويقترح المؤلفون إمكانية توسيع هذه المنهجية لتشمل أنظمة معقدة أخرى لمعالجة تحديات مماثلة في علم المواد.