🔬 materials science

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 $^{-1}$ .

Autores originales: Harry Mclean, Aiden Daniel Emery, Theodore Thomas Walton, Ned Thaddeus Taylor, Steven Paul Hepplestone

Publicado 2026-08-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Harry Mclean, Aiden Daniel Emery, Theodore Thomas Walton, Ned Thaddeus Taylor, Steven Paul Hepplestone

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El mundo se encamina hacia la electricidad que proviene del sol y del viento, fuentes que son limpias pero impredecibles. Para que esta energía sea fiable, necesitamos baterías que puedan almacenar vastas cantidades de potencia y liberarla cuando las nubes cubran el sol o el viento amaine. Aunque las baterías de iones de litio alimentan actualmente nuestros teléfonos y coches, el litio en el que dependen se está volviendo costoso y escaso. Los científicos buscan ahora una alternativa más abundante: el sodio, el elemento común que se encuentra en la sal de mesa. El sodio está en todas partes y es barato, pero es un ion más grande y torpe que el litio, lo que dificulta su almacenamiento eficiente en los materiales que utilizamos actualmente. El candidato más prometedor para contener sodio es un tipo de carbono llamado carbono duro, un material desordenado y similar a una esponja que puede atrapar iones de sodio en sus diminutos bolsillos internos. Sin embargo, este material es tan complejo e irregular que los científicos han tenido dificultades para comprender exactamente cómo su estructura interna afecta su capacidad para almacenar energía, dejando el diseño de mejores baterías como un juego de ensayo y error.

Un equipo de investigadores de la Universidad de Exeter ha adoptado un enfoque diferente, utilizando potentes ordenadores para construir miles de modelos virtuales de carbono duro para ver qué es lo que los hace funcionar mejor. En lugar de intentar adivinar la estructura perfecta, utilizaron un sistema de aprendizaje automático para generar más de trece mil modelos únicos y realistas de carbono duro. Estos modelos no eran simples dibujos; eran mapas atómicos detallados que contenían miles de átomos de carbono dispuestos en patrones desordenados, con todos los poros y defectos que existen en los materiales reales. Los investigadores utilizaron después un programa informático especializado, entrenado con las leyes de la física, para simular cómo se moverían los iones de sodio en estas estructuras virtuales. Al probar cada modelo, podían medir exactamente cuánto sodio podía contener y cómo cambiaba el voltaje a medida que la batería se cargaba y descargaba. Este experimento digital masivo les permitió observar patrones que serían imposibles de detectar en un laboratorio físico, donde la creación y prueba de incluso un solo material nuevo puede tardar semanas.

Las simulaciones revelaron una relación clara entre la forma del carbono y su rendimiento. Los investigadores descubrieron que el mejor carbono duro para almacenar sodio no es el tipo denso y sólido, sino una versión más ligera y porosa. Específicamente, los modelos mostraron que las estructuras con una densidad de alrededor de 1,25 gramos por centímetro cúbico y una porosidad de entre el 12 y el 15 por ciento funcionaban mejor. En estas estructuras óptimas, los poros internos no eran solo agujeros vacíos; eran túneles bien conectados que permitían que el sodio fluyera libremente por todo el material. Cuando el carbono era demasiado denso, el sodio no podía entrar, y la capacidad de almacenamiento era baja. Cuando el carbono era demasiado ligero o los poros estaban aislados, la capacidad también sufría. El modelo virtual más exitoso, que los investigadores llamaron Estructura E, fue capaz de almacenar sodio a una tasa de 857 miliamperios hora por gramo, una cifra que supera tanto los récords experimentales actuales como la capacidad de las baterías estándar de grafito y litio.

Para dar sentido a un número tan elevado de modelos sin pasar años realizando cálculos, el equipo entrenó una inteligencia artificial ligera para predecir la capacidad de almacenamiento de cualquier estructura con solo mirar su forma. Esta IA actuó como un filtro rápido, escaneando toda la biblioteca de trece mil modelos en segundos para identificar los candidatos más prometedores. La IA identificó correctamente que la alta capacidad estaba vinculada a la baja densidad y la alta porosidad, y señaló con éxito a los investigadores hacia las estructuras de mejor rendimiento. Cuando los investigadores realizaron después simulaciones detalladas y de gran consumo de tiempo en estos mejores candidatos para confirmar las predicciones de la IA, los resultados se mantuvieron. El análisis detallado mostró que, en las mejores estructuras, los iones de sodio llenaban una vasta red conectada de poros, extendiéndose uniformemente en lugar de quedarse atrapados en puntos aislados. Esto confirmó que la geometría de los huecos internos es tan importante como la propia composición química del carbono.

El estudio sugiere que el camino hacia mejores baterías de sodio reside en la ingeniería de la arquitectura microscópica del carbono, asegurando que tenga la cantidad adecuada de espacio vacío y que ese espacio esté conectado de manera que permita el libre movimiento de los iones. Los investigadores identificaron un "punto ideal" específico para estas propiedades, ofreciendo un objetivo claro para los químicos e ingenieros que fabrican estos materiales. Al pasar de las conjeturas a una comprensión basada en datos sobre cómo la estructura atómica dicta el rendimiento, este trabajo proporciona una hoja de ruta para diseñar ánodos de alta capacidad. El enfoque utilizado aquí, que combina la generación de estructuras realistas con el aprendizaje automático, también podría aplicarse a otros materiales, acelerando potencialmente el descubrimiento de nuevas soluciones de almacenamiento de energía que son esenciales para un futuro energético renovable y estable.

Resumen Técnico: Generación de Estructuras Atomísticas y Cribado mediante Redes Neuronales de Carbonos Duros

Planteamiento del Problema
Los carbonos duros son ánodos establecidos para baterías de ion de litio y candidatos principales para baterías de ion de sodio (SIB). Sin embargo, su rendimiento electroquímico está gobernado por una red compleja y heterogénea de dominios grafíticos, defectos y nanoporos. Los métodos atomísticos convencionales, como la teoría del funcional de la densidad (DFT), son computacionalmente prohibitivos para modelar estos sistemas en las escalas de longitud requeridas (miles de átomos) y escalas de tiempo. Si bien las simulaciones de dinámica molecular (MD) han cerrado algunas brechas, a menudo dependen de representaciones estructurales simplificadas que subestiman sistemáticamente el desorden topológico, la microporosidad y la heterogeneidad estructural. En consecuencia, la optimización de los ánodos de carbono duro sigue siendo mayoritariamente empírica, con la química del precursor, la temperatura de pirólisis y las tasas de calentamiento creando un vasto espacio de configuración acoplado que es difícil de aislar o comprender de manera atomística.

Metodología
Los autores proponen un flujo de trabajo computacional escalable de tres etapas para vincular la microestructura del carbono duro con el rendimiento de almacenamiento de sodio:

Generación de Estructuras a Gran Escala:
- El estudio utiliza el marco de generación de estructuras RAFFLE, una herramienta de aprendizaje activo que combina algoritmos genéticos con entornos atómicos aprendidos para guiar la colocación de átomos.
- Se emplean Potenciales Interatómicos de Aprendizaje Automático Universales (MLIPs) para evaluar la energética con una precisión cercana a la DFT pero con costos de escala MD. Específicamente, se utilizó un modelo CHGNet con aprendizaje $\Delta$ para un cribado inicial de alto rendimiento, seguido de una reevaluación y relajación utilizando el potencial MACE-MPA-0 (con corrección D3).
- Este flujo de trabajo generó 13.096 modelos realistas de carbono duro que contienen entre 702 y 4.378 átomos (promedio de 2.002). Las estructuras fueron diseñadas para coincidir con rangos experimentalmente accesibles, con estructuras generadas que abarcan fracciones de $sp^3$ desde 0,085 hasta 0,662 y densidades de 1,246 a 3,307 g cm $^{-3}$ .
- Los huéspedes iniciales incluyeron láminas de grafeno individuales y escamas multicapa, utilizando plantillas no interactuantes (esferas/cilindros) para introducir eficientemente poros artificiales.
Intercalación Explícita y Validación:
- Un subconjunto de estructuras representativas (Estructuras A–E) se sometió a cálculos de intercalación de sodio explícitos para validar el flujo de trabajo.
- Estos cálculos reprodujeron los perfiles de voltaje característicos (de pendiente a meseta) y permitieron el análisis de la distribución de sodio, la conectividad de los poros y los entornos de enlace local (mediante funciones de distribución de dos cuerpos).
Cribado mediante Sustituto de Red Neuronal:
- Para cribar la biblioteca completa de 13.096 estructuras sin realizar el costoso proceso de intercalación explícita para cada una, se entrenó un sustituto de red neuronal (NN) ligero.
- Características de Entrada: El modelo utiliza descriptores congelados del modelo MACE-small (características por átomo agrupadas) aumentados por cinco descriptores geométricos de vacío (puntos de vacío, cúmulos, volumen total, capacidad heurística y volumen de celda).
- Datos de Entrenamiento: La NN fue entrenada con un conjunto de datos de 64 estructuras donde la capacidad se estimó mediante un protocolo heurístico de llenado de vacíos.
- Arquitectura: Un perceptrón multicapa residual compacto con tres cabezales de salida que predicen la media de capacidad, el logaritmo de la varianza y la desviación estándar.
- Rendimiento: El modelo alcanzó un error absoluto medio (MAE) de 21,3 mA h g $^{-1}$ y un $R^2$ de 0,946 bajo validación cruzada de k-particiones estratificada.

Resultados Clave

Relaciones Estructura-Propiedad: La biblioteca generada abarca un amplio rango de propiedades. El análisis revela que la capacidad depende fuertemente de la densidad y la porosidad.
- Umbral de Densidad: Las estructuras con densidades superiores a 2,25 g cm $^{-3}$ exhiben capacidades muy bajas (el 5% inferior). Por el contrario, las estructuras con densidades inferiores a 1,5 g cm $^{-3}$ se encuentran dentro del 33% superior de las capacidades.
- "Zona Dulce" Óptima: Las capacidades más altas se encuentran en estructuras con densidades de aproximadamente 1,25 g cm $^{-3}$ , fracciones de $sp^3$ de 0,15–0,18 y porosidades de 12–15%.
Rango de Capacidad: Los cálculos explícitos para el conjunto representativo (A–E) arrojaron capacidades que oscilan entre 88 mA h g $^{-1}$ (densa, baja porosidad) y 857 mA h g $^{-1}$ (baja densidad, alta porosidad). La Estructura E, identificada como el candidato de mayor capacidad por el sustituto, superó las referencias de carbono duro experimentales (~580 mA h g $^{-1}$ ) y las predicciones teóricas.
Papel de la Morfología de los Poros: La capacidad no es solo una función del volumen de poro total, sino que está críticamente gobernada por la conectividad y la topología de los poros.
- La Estructura C (distribución de poros pequeños) superó a la Estructura B (un solo poro grande) a pesar de tener densidades y porosidades similares, demostrando que la arquitectura de los poros dicta la capacidad.
- La alta capacidad de la Estructura E se atribuye a su alta porosidad (21%) y baja fracción de $sp^3$ (0,11), lo que facilita una red de poros extensa y conectada.
Mecanismo de Almacenamiento de Sodio: El análisis de densidad planar confirma que el sodio se acumula preferentemente en regiones de baja densidad (poros). En estructuras densas, el sodio queda confinado en sitios aislados y dispersos, mientras que en estructuras porosas, llena una red conectada. El intercalante permanece disperso en lugar de formar cúmulos metálicos de tipo masivo, incluso a la carga máxima.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco escalable que vincula la microestructura del carbono duro con el rendimiento de almacenamiento de sodio, ofreciendo principios de diseño atomístico para ánodos de alta capacidad.

Avance Metodológico: La contribución principal es la integración exitosa de los MLIPs universales con el marco RAFFLE para generar miles de modelos de carbono duro realistas y a gran escala, superando las limitaciones de tamaño de la DFT.
Eficiencia: El sustituto de red neuronal permite cribar más de 13.000 estructuras en segundos, una tarea que de otro modo requeriría meses de cálculos de intercalación explícita.
Principios de Diseño: El estudio identifica que optimizar el rendimiento del carbono duro requiere ir más allá de las métricas simples de densidad o fracción de $sp^3$ . En su lugar, la geometría, la conectividad y la elongación de los poros son los descriptores dominantes. Los autores postulan que existe una "zona dulce" para combinaciones específicas de densidad, fracción de $sp^3$ y porosidad.
Impacto Más Amplio: El flujo de trabajo proporciona una vía hacia el diseño informado atomísticamente, aplicable a la exploración de microestructuras dependientes de la síntesis, incluyendo la química del precursor, las condiciones de pirólisis, el dopaje con heteroátomos y la ingeniería de poros.

Los autores mantienen una postura modesta, reconociendo que el modelo sustituto presenta desviaciones cuantitativas para estructuras específicas (por ejemplo, sobrepredicción de la Estructura E) debido al tamaño limitado del conjunto de entrenamiento y la naturaleza heurística de la estimación inicial de la capacidad. Sin embargo, afirman que el modelo captura con éxito las tendencias cualitativas y proporciona una herramienta robusta para clasificar bibliotecas de carbono desordenado.

Más como este