Modeling phase transformations in Mn-rich disordered rocksalt cathodes with machine learning interatomic potentials

Este estudio emplea potenciales interatómicos de aprendizaje automático para revelar que los cátodos de sal de roca desordenados ricos en Mn experimentan una transformación de fase hacia una estructura de tipo espinela impulsada por la migración de metales de transición en lugar de la formación de Mn$^{2+}$, lo que resulta en una cinética de transporte de litio mejorada y una mayor capacidad.

Lo esencial

Imagina una batería como una bulliciosa ciudad donde los diminutos iones de litio son los viajeros, y el cátodo de la batería es un enorme y concurrido edificio de apartamentos. Durante años, los científicos han intentado construir mejores edificios para estos viajeros. Un diseño prometedor se llama edificio de "Sal de Roca Desordenada" (DRX, por sus siglas en inglés). Es como un complejo de apartamentos caótico donde los residentes (manganeso, titanio y otros átomos) se lanzan al azar, sin reglas específicas sobre quién vive dónde.

El problema es que en este edificio caótico, los viajeros de litio a veces se quedan atascados, lo que hace que la batería sea lenta y menos potente. Sin embargo, experimentos recientes mostraron que sucede algo mágico: después de que la batería se usa unas cuantas veces (cargándola y descargándola), este edificio caótico se reorganiza espontáneamente en una estructura más organizada, similar a un "espinela". Esta nueva estructura permite que el litio se mueva mucho más rápido, impulsando el rendimiento de la batería.

La gran pregunta era: ¿Cómo es que este edificio desordenado se limpia mágicamente y qué está pasando exactamente dentro?

Aquí es donde los investigadores, liderados por Peichen Zhong y Gerbrand Ceder, intervinieron. No podían observar esto sucediendo en la vida real porque ocurre demasiado rápido y a una escala demasiado pequeña para los ojos humanos. En su lugar, construyeron un gemelo digital superinteligente de este edificio utilizando un tipo de inteligencia artificial llamada "Potencial Interatómico de Aprendizaje Automático" (MLIP).

Aquí hay un desgando sencillo de lo que descubrieron:

1. El "Arquitecto Inteligente" (El Modelo de IA)

Las simulaciones computacionales tradicionales son como intentar calcular el peso de cada uno de los ladrillos de un edificio a mano: toma demasiado tiempo y es demasiado lento para ver el panorama completo. Los investigadores utilizaron una IA preentrenada (llamada CHGNet) que ya había aprendido las leyes básicas de la física para muchos materiales. Luego, "ajustaron" esta IA específicamente para su material de batería rico en manganeso.

Piensa en esta IA como un superarquitecto que puede predecir exactamente cómo se moverá y reaccionará cada átomo, pero lo hace millones de veces más rápido que los métodos tradicionales. Esto les permitió ejecutar una simulación que duró un "nanosegundo" (una mil millonésima de segundo), lo cual es una eternidad en el mundo de los átomos.

2. La Gran Reorganización (Transformación de Fase)

Comenzaron su simulación con el edificio caótico y desordenado. Mientras observaban la "película" del movimiento de los átomos:

• La Migración: Los átomos de manganeso (los muebles pesados en nuestra analogía de apartamentos) comenzaron a desplazarse. Se movieron de sus lugares aleatorios hacia filas específicas y organizadas.
• El Detonante: Una teoría común era que estos átomos solo se movían porque cambiaban su carga eléctrica (como una persona cambiando su estado de ánimo). Sin embargo, la simulación de IA reveló un giro: Los átomos comenzaron a moverse antes de que cambiaran completamente su carga.
• El Resultado: Los átomos de manganeso se organizaron en un patrón específico (la fase "tipo espinela" o fase $\delta$). Una vez establecido este patrón, los átomos se asentaron en un nuevo estado de menor energía. Es como una habitación desordenada que de repente se convierte en una disposición perfecta y organizada porque los muebles encontraron un encaje más cómodo.

3. El Efecto "Autopista" (Por qué es mejor)

El descubrimiento más importante fue sobre las "carreteras" dentro del edificio.

• En el edificio desordenado, los viajeros de litio tenían que navegar a través de caminos estrechos y bloqueados.
• En el nuevo edificio organizado, los átomos de manganeso se hicieron a un lado para crear autopistas anchas y abiertas (llamadas canales "0-TM") donde solo existían el litio y el espacio vacío.
• La Analogía: Imagina un pasillo concurrido donde la gente bloquea el camino. Si las personas se hacen a los lados y forman una fila ordenada, se abre un camino despejado para que los respondedores de emergencia (iones de litio) pasen a toda velocidad. Por esto la batería es más rápida y retiene más energía.

4. El Misterio de la Carga

Los investigadores también observaron el "estado de ánimo" (estado de valencia) de los átomos de manganeso. Descubrieron que, si bien algunos átomos de manganeso sí cambiaron su carga (convirtiéndose en "Mn2+"), esto sucedió después de que la estructura ya había comenzado a organizarse.

• Teoría Antigua: Los átomos cambiaban su estado de ánimo primero, lo que los obligaba a moverse.
• Nuevo Hallazgo: Los átomos se movieron primero para organizar el edificio, y luego sus estados de ánimo cambiaron para adaptarse al nuevo orden. La organización causó el cambio de carga, no al revés.

5. El Rendimiento de la Batería

Finalmente, simularon cómo se comportaría la batería eléctricamente.

• El Viejo Edificio Desordenado: Cuando intentabas cargarla, el voltaje (la "presión" que empuja al litio) subía y bajaba erráticamente, como un viaje accidentado.
• El Nuevo Edificio Organizado: El voltaje se volvió suave y constante, como un crucero por una autopista.
• La Capacidad: La nueva estructura podía contener más litio que la desordenada original, y podía hacerlo sin el estrés estructural que normalmente degrada las baterías con el tiempo.

Resumen

En resumen, este trabajo utilizó una IA superrápida para observar cómo un material de batería caótico se reorganiza en una estructura ordenada y altamente eficiente. Descubrieron que los átomos se mueven para crear un mejor diseño primero, y los cambios eléctricos los siguen. Este nuevo diseño crea "autopistas" para el litio, haciendo que la batería sea más rápida, fuerte y estable. Es un poco como observar a una multitud caótica formar espontáneamente una fila ordenada, creando un camino despejado para que todos se muevan más rápido.

Resumen técnico

Resumen Técnico: Modelado de Transformaciones de Fase en Cátodos de Sal de Roca Desordenados Ricos en Mn mediante Potenciales Interatómicos de Aprendizaje Automático

Planteamiento del Problema
Los materiales de cátodo de sal de roca desordenada (DRX) ricos en Mn, tales como el Li$_x$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$, exhiben una transformación de fase in situ beneficiosa de una estructura desordenada a una fase parcialmente desordenada de tipo espinela (denominada fase $\delta$) durante el ciclado electroquímico. Esta transformación está asociada con un aumento en la capacidad y la capacidad de velocidad (rate capability). Sin embargo, los mecanismos a escala atómica que impulsan esta transición —específicamente la dinámica acoplada de la migración de metales de transición (TM), la evolución del estado de carga y el ordenamiento de cationes— son difíciles de modelar. Los métodos convencionales ab initio son computacionalmente prohibitivos para las escalas de tiempo y longitud requeridas, mientras que los modelos tradicionales de expansión de clústeres (CE) carecen de la expresividad para capturar procesos dinámicos complejos acoplados a la carga y las barreras de migración en entornos locales diversos.

Metodología
Los autores emplearon un flujo de trabajo computacional de múltiples etapas centrado en un Potencial Interatómico de Aprendizaje Automático (MLIP) refinado basado en la arquitectura CHGNet.

1. Construcción del Conjunto de Datos: Se realizó un muestreo exhaustivo del espacio químico Li–Mn–Ti–O–F utilizando cálculos r2SCAN-DFT. Esto incluyó:
   • Compuestos estables existentes de la Materials Project y conjuntos de datos previos de DRX-CE.
   • Estructuras parcialmente desordenadas generadas a medida con diversos grados de ordenamiento tipo espinela, creadas mediante simulaciones de Monte Carlo (MC) y protocolos de intercambio de sitios.
   • Muestreo específico de vías de migración de TM (octaédrico-tetraédrico-octaédrico, o o-t-o, y rutas directas o-o) en varios niveles de delitación para capturar eventos de alta barrera energética.
2. Entrenamiento del Modelo: Un "Trial-CHGNet" fue refinado inicialmente sobre trayectorias de relajación. Posteriormente, un "Sample-CHGNet" fue parametrizado utilizando cálculos estáticos de DFT de las vías de migración muestreadas y trayectorias de MD para mejorar el muestreo de configuraciones excitadas térmicamente. Finalmente, un "Product-CHGNet" fue refinado sobre un conjunto de entrenamiento de 88,852 estructuras, logrando errores de prueba de ~2 meV/átomo (energía) y ~68 meV/Å (fuerza).
3. Simulación: Se realizaron simulaciones de dinámica molecular (MD) con información de carga en un sistema de Li$_{0.6}$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$ delitidado a 1273 K. El MLIP utilizó momentos magnéticos predichos como un sustituto de la carga atómica para inferir estados de valencia (Mn$^{2+}$, Mn$^{3+}$, Mn$^{4+}$) de forma dinámica.
4. Análisis Electroquímico: Se calcularon los perfiles de voltaje para la fase $\delta$ transformada, la fase DRX original y una fase de espinela totalmente ordenada mediante la construcción de envolventes convexas de configuraciones de vacantes de Li y el análisis de reacciones de intercalación.

Resultos Clave

• Mecanismo de Transformación de Fase: Las simulaciones de MD capturaron con éxito la transición de una sal de roca desordenada a una fase $\delta$ de tipo espinela. La transformación es termodinámicamente favorecida, evidenciado por una reducción de energía de ~60 meV/anión.
• Secuencia de Migración y Ordenamiento: El estudio revela una secuencia específica de eventos:
  • La migración de Mn se inicia principalmente como Mn$^{3+}$ moviéndose a través de sitios tetraédricos, ocurriendo antes del establecimiento del ordenamiento de largo alcance tipo espinela.
  • La emergencia de Mn$^{2+}$ tetraédrico es una consecuencia del ordenamiento tipo espinela, en lugar del disparador de la migración de cationes.
  • La estructura transformada exhibe una mayor concentración de canales de compartición de caras sin metal de transición (0-TM) (sitios tetraédricos rodeados únicamente por Li o vacantes), los cuales son críticos para la percolación de Li.
• Firmas Electroquímicas:
  • A diferencia de la espinela ordenada Li$_x$MnO$_2$, que exhibe una reacción de dos fases con un escalón de voltaje agudo (>1 V) tras la delitación por debajo de $x \approx 0.6$, la fase $\delta$ mantiene un comportamiento de solución sólida con un pseudo-meseta a voltajes bajos.
  • La fase $\delta$ demuestra una mayor capacidad de Li derivada de la reacción de conversión de 0-TM a tetraédrico-Li en comparación con las fases DRX y la espinela totalmente ordenada.
  • La fase DRX muestra una capacidad restringida alrededor de 3 V debido a la falta de canales 0-TM y una pendiente de voltaje más pronunciada.

Significancia y Reivindicaciones
El artículo afirma proporcionar conocimientos a nivel atómico sobre la transformación de fase en estado sólido en cátodos DRX ricos en Mn y su relación directa con la electroquímica experimental. Los autores destacan que su trabajo demuestra el potencial de los MLIP, específicamente el CHGNet informado por la carga, para modelar materiales de óxido complejos donde la dinámica de carga y la evolución estructural están estrechamente acopladas. Al resolver las discrepancias de escala de tiempo entre la desproporción de carga y el salto iónico, el estudio desafía la noción previa de que la formación de Mn$^{2+}$ dispara la migración, sugiriendo en su lugar que esta sigue al establecimiento del ordenamiento tipo espinela. El trabajo ofrece una comprensión mecánica de cómo el desorden parcial de cationes elimina las reacciones de dos fases perjudiciales mientras mejora la cinética de transporte de Li y la capacidad, validando la utilidad de los MLIP para estudiar materiales de energía complejos.