Vibrational, structural, and chemical fingerprints of ion diffusion in crystalline solids

En la búsqueda de mejores baterías, los científicos buscan materiales que puedan mover iones —átomos cargados como el litio— de forma rápida y eficiente. Imagine un bloque sólido de material donde estos iones puedan desplazarse con la misma facilidad con la que lo hacen en un líquido. Este es el santo grial de las baterías de estado sólido, que prometen ser más seguras y potentes que las baterías de iones de litio de nuestros teléfonos y coches actuales. La clave para encontrar estos materiales reside en comprender qué tan rápido se mueven los iones, una propiedad llamada autodifusividad. Tradicionalmente, determinar qué tan rápido se mueve un ion dentro de un cristal requiere ejecutar simulaciones computacionales masivas que rastrean el movimiento de cada átomo a lo largo del tiempo. Debido a que los iones se mueven de forma lenta y errática, estas simulaciones deben ejecutarse durante mucho tiempo para obtener una respuesta precisa, lo que a menudo requiere días o incluso semanas de tiempo de computación para un solo material. Esta lentitud hace que sea casi imposible evaluar los miles de materiales potenciales necesarios para encontrar el perfecto.

Un equipo de investigadores del Instituto de Tecnología de Massachusetts ha encontrado una forma de evitar este cuello de botella. En lugar de esperar a que termine la simulación lenta del movimiento de los ores, desarrollaron un método para predecir qué tan rápido se moverán los iones observando las "huellas dactilares" del material a partir de una simulación muy corta. Se dieron cuenta de que, si bien el movimiento real de los iones tarda mucho tiempo en establecer un patrón predecible, otras propiedades del material se estabilizan casi instantáneamente. Estas propiedades incluyen cómo vibran los átomos, cómo están dispuestos en el espacio y la naturaleza química de los átomos mismos. Al entrenar un modelo computacional para reconocer la conexión entre estas huellas dactilares de medición rápida y la velocidad final de los iones, los investigadores ahora pueden predecir el movimiento de los iones con una alta precisión utilizando solo una fracción mínima de la potencia de cálculo requerida anteriormente.

Los investigadores se centraron en un desafío específico: distinguir entre materiales donde los iones están atrapados en su lugar y aquellos donde fluyen libremente. Recopilaron datos sobre miles de materiales sólidos diferentes que conducen iones. Para cada material, realizaron una simulación computacional corta de solo cinco picosegundos —un tiempo tan breve que es un billonésima de segundo—. De este instante fugaz, extrajeron dos tipos principales de información. Primero, observaron la densidad de estados vibracionales, que es esencialmente un mapa de cómo los átomos en el material se sacuden o vibran a diferentes velocidades. Segundo, examinaron la función de distribución radial, una medida de cómo están espaciados los iones entre sí, revelando si están densamente empaquetados en una estructura rígida o moviéndose más libremente como un líquido.

Para dar sentido a estos datos, el equipo utilizó un tipo de inteligencia artificial llamada red neuronal. Enseñaron a esta red a observar las huellas dactilares de la simulación corta y a adivinar la velocidad final y a largo plazo de los iones. A la red también se le proporcionó información sobre la química del material, como qué elementos están presentes y cómo están unidos. El objetivo era ver si el modelo podía aprender las reglas ocultas que conectan el movimiento errático y caótico de los átomos con el desplazamiento lento y constante de los iones. Los resultados fueron sorprendentes. El modelo podía predecir la velocidad final de los iones con un alto grado de precisión, logrando un error promedio de menos de media unidad en una escala logarítmica, un margen muy estrecho para un proceso físico tan complejo. Clasificó correctamente los materiales, identificando los conductores rápidos y los lentos con una fuerte correlación.

Uno de los descubrimientos más importantes fue que el modelo no necesitaba esperar a que los iones realmente saltaran de un lugar a otro para hacer una predicción. En muchos de los materiales, especialmente en los lentos, los iones podrían no moverse en absoluto durante una ventana de cinco picosegundos. Sin embargo, el modelo aún podía decir qué tan rápido se moverían si se les diera suficiente tiempo. Esto se debe a que la simulación corta capturó la "rigidez" del entorno alrededor de los iones. En los materiales de conducción rápida, los átomos que rodean a los iones en movimiento están débilmente acoplados, lo que permite que los iones se deslicen fácilmente. En los materiales lentos, los átomos circundantes están fuertemente bloqueados en su lugar, creando una jaula rígida que atrapa a los iones. El modelo aprendió a leer estas sutiles diferencias en los patrones vibracionales y estructurales, viendo efectivamente el potencial de movimiento antes de que ocurriera.

Los investigadores también exploraron cómo los iones en movimiento interactúan con la estructura circundante del cristal. Descubrieron que en los materiales donde los iones se mueven rápidamente, las vibraciones de los iones en movimiento son en gran medida independientes de las vibraciones de los átomos circundantes. Los iones están desacoplados, moviéndose por su cuenta. Por el contrario, en los materiales lentos, los iones en movimiento están fuertemente sincronizados con la estructura circundante, bloqueados en un ritmo compartido que les impide liberarse. Este desacoplamiento es una firma clave de un buen conductor. El estudio también confirmó que la disposición de los iones, medida por la probabilidad de que se encuentren a ciertas distancias entre sí, sigue un patrón específico en los conductores rápidos que se asemeja a un líquido, mientras que los conductores lentos mantienen un orden sólido y rígido.

Al combinar estas pistas vibracionales, estructurales y químicas, el equipo creó una herramienta universal para la evaluación de materiales. En lugar de ejecutar simulaciones que tardan días en converger, los investigadores ahora pueden ejecutar una simulación de solo cinco picosegundos y obtener una predicción confiable del rendimiento del material. Este enfoque no solo ahorra tiempo; cambia la estrategia de descubrimiento. Permite a los científicos filtrar rápidamente miles de candidatos deficientes y centrar sus recursos en los pocos materiales que muestran promesa. El modelo fue probado en un conjunto de datos de más de cuatro mil materiales y demostró ser robusto en una amplia gama de temperaturas y composiciones químicas. Predijo con éxito la velocidad de los iones para materiales que se sabía que eran conductores rápidos, así como para aquellos conocidos por ser lentos, sin necesidad de conocer la respuesta de antemano.

Las implicaciones para el desarrollo de baterías son significativas. Encontrar nuevos electrolitos sólidos ha sido un proceso lento porque el costo computacional de probar cada candidato era demasiado alto. Con este nuevo método, el proceso de evaluación se vuelve rápido y eficiente. Los investigadores demostraron que su modelo podía predecir la velocidad de los iones con una precisión comparable a la de ejecutar una simulación mucho más larga, pero en una fracción del tiempo. Esto significa que la búsqueda del material perfecto para baterías de estado sólido puede pasar de ser un proceso lento y manual a uno rápido y automatizado. El trabajo destaca que la respuesta a un problema lento y complejo a menudo se encuentra en los patrones rápidos y emergentes del sistema, siempre que se sepa leer. El estudio no pretende haber resuelto el problema del diseño de baterías por completo, pero proporciona una nueva y poderosa lente a través de la cual ver el vasto paisaje de materiales potenciales, convirtiendo una búsqueda de años en una cuestión de días o incluso horas.