Machine Learning-Guided Screening of Advantageous Solvents for Solid Polymer Electrolytes in Lithium Metal Batteries

Resumen Técnico: Cribado de Solventes Ventajosos para Electrolitos Poliméricos Sólidos en Baterías de Litio Metal Mediante Aprendizaje Automático

Planteamiento del Problema
Los electrolitos poliméricos sólidos (SPE, por sus siglas en inglés) son críticos para el avance de las baterías de litio metal seguras y de alta energía debido a su procesabilidad favorable e interfaces de electrodo estables. Sin embargo, a menudo sufren de una menor conductividad iónica y resistencia mecánica en comparación con sus contrapartes inorgánicas. Si bien las estrategias como la incorporación de rellenos inorgánicos existen, la introducción de solventes orgánicos sigue siendo un método más simple y ampliamente adoptado para mejorar la disociación de la sal de litio y estabilizar las interfaces. Un desafío significativo radica en la complejidad de la selección de solventes: los solventes residuales traza (añadidos deliberadamente o retenidos inadvertidamente de la síntesis) impactan significativamente las propiedades del electrolito y de la interfaz. Actualmente, la selección de solventes óptimos depende en gran medida del ensayo y error empírico o de la mezcla empírica de solventes, lo cual es costoso y carece de un marco teórico unificado. Además, los enfoques de aprendizaje automático existentes para el descubrimiento de materiales suelen permanecer puramente teóricos, careciendo de validación experimental, o dependen excesivamente de la calidad de los datos sin establecer vínculos robustos entre las estructuras electrónicas y el rendimiento macroscópico.

Metodología
Los autores proponen un paradigma integrado que combina cálculos de la Teoría del Funcional de la Densidad (DFT) de alto rendimiento, aprendizaje automático (ML) y validación experimental para cribar y diseñar solventes ventajosos para los SPE.

1. Cribado de Alto Rendimiento mediante DFT: Se extrajo un conjunto de datos de aproximadamente 10,000 solventes orgánicos que contienen C, H, O, N y F de la base de datos ChemSpider. Se realizaron cálculos de DFT de alta precisión para determinar descriptores electrónicos clave (niveles de energía HOMO y LUMO) y propiedades macroscópicas: polarizabilidad ($\alpha$), momento dipolar ($\mu$), constante dieléctrica ($\varepsilon$) y número donador (DN). La constante dieléctrica se calculó mediante la ecuación de Clausius-Mossotti, y el DN se determinó mediante energías de interacción con el ácido de Lewis SbCl$_5$.
2. Modelado de Aprendizaje Automático: Para establecer modelos predictivos que vinculen las estructuras electrónicas con las propiedades macroscópicas, los autores emplearon una estrategia de ML multinivel:
   • XGBoost y SISSO: Utilizados para el análisis de importancia de características y el cribado inicial. Estos modelos interpretables confirmaron que los atributos de la estructura electrónica (específicamente las brechas HOMO-LUMO) contribuyen en más del 65% a la predicción de las constantes dieléctricas.
   • Red Neuronal Convolucional de Grafos Cristalinos (CGCNN): Adaptada para sistemas moleculares bajo condiciones de contorno periódicas para capturar interacciones no lineales complejas. Este modelo logró una alta precisión predictiva ($R^2$ = 0.91 para $\mu$, 0.97 para $\varepsilon$, y 0.98 para la brecha HOMO-LUMO).
   • Validación: Los modelos se sometieron a una rigurosa validación, incluyendo una validación cruzada de 50 pliegues (50-fold), pruebas de múltiples semillas y el método de y-scrambling, confirmando que los modelos aprendieron relaciones estructura-propiedad genuinas en lugar de memorizar datos.
3. Criterios de Cribado y Selección de Candidatos: Basándose en los conocimientos de ML, se establecieron criterios de cribado cuantitativos: HOMO < –6 eV, LUMO > –1 eV, brecha HOMO-LUMO > 5 eV, $\varepsilon$ entre 20–50, y $\mu$ entre 3–6 D. Estos parámetros pretenden equilibrar la estabilidad oxidativa/reductiva, la disociación de sales y las interacciones ion-solvente.
4. Validación Experimental: Se seleccionaron dos candidatos principales, la 2,2,2-trifluoro-N,N-dimetilacetamida (TFDMA) y la propuesta novedosa N-metoxi-N-metil-2,2,2-trifluoroacetamida (TFOMA). Cantidades traza de estos solventes se incorporaron en una matriz de poli(vinilideno fluoruro-co-hexafluoropropileno) (PVDF-HFP). Los SPE resultantes fueron caracterizados por su estabilidad electroquímica, conductividad iónica, números de transferencia y rendimiento de ciclado en celdas completas con cátodos de LiFePO$_4$ y LiNi$_{0.9}$Co$_{0.05}$Mn$_{0.05}$O$_2$ (NCM91).

Resultados Clave

• Correlaciones Estructura-Propiedad: El estudio confirmó una correlación universal donde los momentos dipolares más grandes y las polarizabilidades relativas generalmente corresponden a constantes dielétricas más altas. Se observó una dependencia no lineal entre la brecha HOMO-LUMO y las propiedades macroscópicas: las propiedades disminuyen bruscamente a medida que la brecha aumenta de 0.5 a 2 eV, y luego se estabilizan.
• Desempeño del Modelo: El modelo CGCNN capturó con éxito la naturaleza de "caja negra" del aprendizaje profundo, con incrustaciones latentes (embeddings) que muestran fuertes correlaciones con los descriptores de la estructura electrónica. El análisis SHAP confirmó el papel dominante de los orbitales frontera en la determinación de las constantes dieléctricas y los momentos dipolares.
• Identificación de Candidatos: TFOMA y TFDMA fueron identificados como candidatos superiores. TFOMA, que presenta un grupo metoxilo adicional, predijo mejorar las vías iónicas.
• Desempeño Experimental:
  • Estabilidad: El PVDF-HFP@TFOMA exhibió una amplia ventana de estabilidad electroquímica de 4.5 V, superando a la TFDMA (4.25 V).
  • Conductividad: A 30 °C, los SPE basados en TFOMA alcanzaron una conductividad iónica de 5.5 $\times$ 10$^{-4}$ S cm$^{-1}$, significativamente mayor que la de la TFDMA (1.0 $\times$ 10$^{-4}$ S cm$^{-1}$). La energía de activación para la migración de Li$^+$ fue menor para TFOMA (0.29 eV) en comparación con TFDMA (0.45 eV).
  • Número de Transferencia: Los electrolitos basados en TFOMA demostraron un alto número de transferencia de Li$^+$ de 0.78.
  • Estabilidad de Ciclado: En celdas de LiFePO$_4$, el sistema TFOMA retuvo el 86.7% de su capacidad tras 500 ciclos a 2C. En celdas de alto voltaje NCM91, retuvo el 98.7% de su capacidad tras 200 ciclos a 2C. Estos resultados superaron a los de TFDMA y otros solventes comunes como DMF, NMP y DMSO.
  • Mecanismo: Las simulaciones de dinámica molecular sugirieron que el grupo metoxilo en TFOMA facilita la formación de estructuras localizadas de alta concentración y crea nuevos canales iónicos, reduando las interacciones de Coulomb entre el Li$^+$ y el anión.

Significancia y Reivindicaciones
El artículo afirma establecer un paradigma universal basado en datos para el cribado de solventes en electrolitos poliméricos sólidos. Al integrar DFT de alto rendimiento, algoritmos avanzados de aprendizaje automático y validación experimental, los autores demuestran una vía para diseñar racionalmente electrolitos que equilibren el transporte de iones, la estabilidad electroquímica y la durabilidad del ciclado. El estudio destaca que los solventes residuales traza, cuando se seleccionan adecuadamente, no son meramente impurezas, sino que pueden ser diseñados para mejorar el rendimiento de la batería. La identificación exitosa y la validación de TFOMA como un solvente superior para matrices de PVDF-HFP subrayan la eficacia de este enfoque integrado. Los autores postulan que esta metodología puede extenderse a otros diseños de electrolitos avanzados, acelerando el desarrollo de baterías de litio metal más seguras y de alta energía. El trabajo cierra la brecha entre las predicciones teóricas de la estructura electrónica y el rendimiento práctico de la batería, ofreciendo un marco robusto para el descubrimiento de materiales de próxima generación.