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

Dans la quête de la construction de meilleures batteries, les scientifiques recherchent des matériaux capables de déplacer les ions — des atomes chargés comme le lithium — de manière rapide et efficace. Imaginez un bloc solide de matériau où ces ions pourraient circuler aussi facilement que dans un liquide. C'est le Graal des batteries à l'état solide, qui promettent d'être plus sûres et plus puissantes que les batteries au lithium-ion de nos téléphones et de nos voitures actuelles. La clé pour trouver ces matériaux réside dans la compréhension de la vitesse à laquelle les ions se déplacent, une propriété appelée autodiffusivité. Traditionnellement, déterminer la vitesse à laquelle un ion se déplace à l'intérieur d'un cristal nécessite l'exécution de simulations informatiques massives qui suivent le mouvement de chaque atome au fil du temps. Comme les ions se déplacent lentement et de manière erratique, ces simulations doivent fonctionner pendant très longtemps pour obtenir une réponse précise, ce qui prend souvent des jours, voire des semaines de temps de calcul pour un seul matériau. Cette lenteur rend presque impossible le criblage des milliers de matériaux potentiels nécessaires pour trouver le parfait.

Une équipe de chercheurs du Massachusetts Institute of Technology a trouvé un moyen de contourner ce goulot d'étranglement. Au lieu d'attendre la fin de la simulation complète et lente du mouvement des ions, ils ont développé une méthode pour prédire la vitesse à laquelle les ions se déplaceront en observant les « empreintes digitales » du matériau à partir d'une simulation très courte. Ils ont réalisé que si le mouvement réel des ions prend longtemps pour se stabiliser selon un schéma prévisible, d'autres propriétés du matériau se stabilisent presque instantanément. Ces propriétés incluent la façon dont les atomes vibrent, la manière dont ils sont disposés dans l'espace et la nature chimique des atomes eux-mêmes. En entraînant un modèle informatique à reconnaître la connexion entre ces empreintes digitales, rapides à mesurer, et la vitesse finale des ions, les chercheurs peuvent désormais prédire le mouvement des ions avec une grande précision en utilisant qu'une fraction infime de la puissance de calcul auparavant requise.

Les chercheurs se sont concentrés sur un défi spécifique : distinguer les matériaux où les ions sont bloqués en place de ceux où ils circulent librement. Ils ont rassemblé des données sur des milliers de matériaux solides différents qui conduisent les ions. Pour chaque matériau, ils ont lancé une simulation informatique courte d'une durée de seulement cinq picosecondes — un temps si bref qu'il représente un billionième de seconde. À partir de cet instantané fugace, ils ont extrait deux principaux types d'informations. Premièrement, ils ont examiné la densité d'états vibrationnels, qui est essentiellement une carte de la façon dont les atomes de la matière tremblent ou vibrent à différentes vitesses. Deuxièmement, ils ont examiné la fonction de distribution radiale, une mesure de la façon dont les ions sont espacés les uns par rapport aux autres, révélant s'ils sont étroitement compactés dans une structure rigide ou s'ils se déplacent plus librement comme un liquide.

Pour donner du sens à ces données, l'équipe a utilisé un type d'intelligence artificielle appelé réseau de neurones. Ils ont appris à ce réseau à observer les empreintes digitales de la simulation courte et à deviner la vitesse finale et à long terme des ions. Le réseau a également reçu des informations sur la chimie du matériau, telles que les éléments présents et la façon dont ils sont liés. L'objectif était de voir si le modèle pouvait apprendre les règles cachées qui connectent le tressautement rapide et chaotique des atomes au mouvement lent et régulier des ions. Les résultats ont été frappants. Le modèle pouvait prédire la vitesse finale des ions avec un haut degré de précision, atteignant une erreur moyenne de moins d'une demi-unité sur une échelle logarithmique, ce qui est une marge très étroite pour un processus physique aussi complexe. Il a correctement classé les matériaux, identifiant les conducteurs rapides et les conducteurs lents avec une forte corrélation.

L'une des découvertes les plus importantes fut que le modèle n'avait pas besoin d'attendre que les ions effectuent réellement un saut d'un endroit à un autre pour faire une prédiction. Dans beaucoup de matériaux, en particulier les plus lents, les ions pourraient ne pas bouger du tout durant une fenêtre de cinq picosecondes. Pourtant, le modèle pouvait toujours dire à quelle vitesse ils se déplaceraient s'ils disposaient de suffisamment de temps. C'est parce que la simulation courte a capturé la « rigidité » de l'environnement autour des ions. Dans les matériaux à haute conductivité, les atomes entourant les ions en mouvement sont faiblement couplés, permettant aux ions de glisser facilement. Dans les matériaux lents, les atomes environnants sont étroitement verrouillés en place, créant une cage rigide qui piège les ions. Le modèle a appris à lire ces différences subtiles dans les motifs vibrationnels et structurels, percevant efficacement le potentiel de mouvement avant même qu'il ne se produise.

Les chercheurs ont également exploré comment les ions en mouvement interagissent avec la structure environnante du cristal. Ils ont découvert que dans les matériaux où les ions se déplacent rapidement, les vibrations des ions en mouvement sont largement indépendantes des vibrations des atomes environnants. Les ions sont découplés, se déplaçant de façon autonome. En revanche, dans les matériaux lents, les ions en mouvement sont étroitement synchronisés avec la structure environnante, verrouillés dans un rythme partagé qui les empêche de se libérer. Ce découplage est une signature clé d'un bon conducteur. L'étude a également confirmé que l'arrangement des ions, mesuré par la probabilité qu'ils soient trouvés à certaines distances les uns des autres, suit un schéma spécifique dans les conducteurs rapides qui ressemble à un liquide, tandis que les conducteurs lents maintiennent un ordre rigide, de type solide.

En combinant ces indices vibrationnels, structurels et chimiques, l'équipe a créé un outil universel pour le criblage des matériaux. Au lieu de lancer des simulations qui prennent des jours pour converger, les chercheurs peuvent désormais lancer une simulation de seulement cinq picosecondes et obtenir une prédiction fiable de la performance du matériau. Cette approche ne fait pas que gagner du temps ; elle change la stratégie de découverte. Elle permet aux scientifiques de filtrer rapidement des milliers de mauvais candidats et de concentrer leurs ressources sur les quelques matériaux qui montrent un potentiel. Le modèle a été testé sur un ensemble de données de plus de quatre mille matériaux et s'est avéré robuste à travers une large gamme de températures et de compositions chimiques. Il a prédit avec succès la vitesse des ions pour les matériaux connus comme étant de rapides conducteurs, ainsi que pour ceux connus comme étant lents, sans avoir besoin de connaître la réponse à l'avance.

Les implications pour le développement des batteries sont significatives. Trouver de nouveaux électrolytes solides a été un processus lent car le coût computationnel du test de chaque candidat était trop élevé. Avec cette nouvelle méthode, le processus de criblage devient rapide et efficace. Les chercheurs ont démontré que leur modèle pouvait prédire la vitesse des ions avec une précision comparable à celle d'une simulation beaucoup plus longue, mais en une fraction du temps requis. Cela signifie que la recherche du matériau parfait pour les batteries à l'état solide peut passer d'un processus manuel et lent à un processus rapide et automatisé. Ce travail souligne que la réponse à un problème lent et complexe peut souvent être trouvée dans les motifs rapides et émergents du système, à condition de savoir les lire. L'étude ne prétend pas avoir résolu entièrement le problème de la conception des batteries, mais elle fournit une nouvelle lentille puissante pour observer le vaste paysage des matériaux potentiels, transformant une recherche de plusieurs années en une question de jours, voire d'heures.