Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
Este artículo presenta un marco computacional escalable que combina potenciales interatómicos aprendidos mediante aprendizaje automático, la herramienta de generación de estructuras RAFFLE y un sustituto de red neuronal para modelar más de 13,000 estructuras realistas de carbono duro, vinculando con éxito sus características microestructurales con el rendimiento de almacenamiento de sodio e identificando candidatos a ánodos de alta capacidad que superan los 800 mAh g.