🔬 materials science

Modeling intercalation chemistry with multi-redox reactions by sparse lattice models in disordered rocksalt cathodes

यह शोध पत्र डिसऑर्डर्ड रॉक साल्ट कैथोड्स के इंटरकैलेशन थर्मोडायनामिक्स को कुशलतापूर्वक मॉडल करने के लिए स्पार्स रिग्रेशन-आधारित क्लस्टर एक्सपेंशन और सेमी-ग्रैंड-कैनोनिकल मोंटे कार्लो सैंपलिंग का उपयोग करते हुए एक संयुक्त दृष्टिकोण प्रस्तुत करता है, जो सफलतापूर्वक Li $_{1.3-x}$ Mn $_{0.4}$ Nb $_{0.3}$ O $_{1.6}$ F $_{0.4}$ में Mn और ऑक्सीजन के रेडॉक्स योगदान को स्पष्ट करते हुए प्रयोगात्मक वोल्टेज प्रोफाइल को पुनरुत्पादित करता है।

मूल लेखक: Peichen Zhong, Fengyu Xie, Luis Barroso-Luque, Liliang Huang, Gerbrand Ceder

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peichen Zhong, Fengyu Xie, Luis Barroso-Luque, Liliang Huang, Gerbrand Ceder

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक बैटरी चार्ज और डिस्चार्ज होते समय कैसा व्यवहार करेगी। इसे करने के लिए, वैज्ञानिक आमतौर पर बैटरी की सामग्री की "रेसिपी" (नुस्खा) को देखते हैं। अधिकांश पारंपरिक बैटरी सामग्रियां एक सुव्यवस्थित सेना की तरह होती हैं: हर सैनिक (परमाणु) एक विशिष्ट, अनुमानित स्थान पर खड़ा होता है।

हालाँकि, इस शोध पत्र में वर्णित अगली पीढ़ी की बैटरी सामग्रियां एक अराजक "मश पिट" (mosh pit) की तरह हैं। इन्हें डिज़ऑर्डर्ड रॉकसाल्ट (DRX) सामग्रियां कहा जाता है। इनमें, परमाणु बिखरे हुए होते हैं, और वे केवल स्थिर नहीं रहते; वे इस बात पर भी अपना "मिजाज" (ऑक्सीकरण अवस्था/oxidation state) बदल सकते हैं कि कितनी ऊर्जा डाली जा रही है या निकाली जा रही है।

शोधकर्ताओं को एक बहुत बड़ी समस्या का सामना करना पड़ा: मानक कंप्यूटर तरीकों का उपयोग करके इस अराजक, मिजाज बदलने वाले मश पिट का अनुकरण (simulate) करना, ऐसा था जैसे 100 लोगों की भीड़ के हर उस तरीके को गिनने की कोशिश करना जिसमें वे कपड़े बदलते हुए नाच सकते हैं। संभावनाओं की संख्या इतनी विशाल थी कि सबसे तेज़ सुपरकंप्यूटर भी फंस जाते।

लेखकों ने इस पहेली को कैसे हल किया, इसे सरल उपमाओं के माध्यम through समझाया गया है:

1. समस्या: बहुत सारे चर (Variables)

एक सामान्य बैटरी में, आपको केवल यह ट्रैक करने की आवश्यकता होती है कि लिथियम परमाणु कहाँ जाते हैं। लेकिन इन नई सामग्रियों में, अन्य परमाणु (जैसे मैंगनीज और ऑक्सीजन) भी अपना विद्युत आवेश (electrical charge) बदल सकते हैं (जैसे कि एक व्यक्ति "खुश" अवस्था से "दुखी" अवस्था में बदल रहा हो)।

उपमा: कल्पना कीजिए कि म्यूजिकल चेयर्स (musical chairs) का एक खेल चल रहा है। एक सामान्य खेल में, आप केवल ट्रैक करते हैं कि कौन कहाँ बैठा है। इस नए खेल में, हर बार जब कोई हिलता है, तो वह अपनी शर्ट का रंग, टोपी और जूते का आकार भी बदल सकता है। संभावनाओं का संयोजन विस्फोट की तरह बढ़ जाता है, जिससे उन सभी को सूचीबद्ध करना असंभव हो जाता है।

2. समाधान: एक स्मार्ट "स्पार्स" (Sparse) मानचित्र

संभावनाओं के इस विस्फोट को संभालने के लिए, टीम ने एक नया प्रकार का मानचित्र बनाया जिसे क्लस्टर एक्सपेंशन (Cluster Expansion) कहा जाता है। इसे एक नियम पुस्तिका के रूप में सोचें जो परमाणुओं की व्यवस्था के आधार पर बैटरी की ऊर्जा की भविष्यवाणी करती है।

चुनौती: क्योंकि "शर्ट के रंग" (आवेश अवस्थाएं) बहुत अधिक थे, इसलिए नियम पुस्तिका बहुत मोटी हो गई जिसे पढ़ना मुश्किल था। इसमें हजारों नियम थे, लेकिन टीम के पास सीखने के लिए केवल कुछ सौ उदाहरण थे। यह एक ऐसी भाषा सीखने जैसा है जिसमें 10,000 शब्द हैं लेकिन आपके पास केवल 500 परिभाषाओं वाली डिक्शनरी है। कंप्यूटर केवल डिक्शनरी को रट लेता (overfit) बल्कि भाषा सीख नहीं पाता।
समाधान: उन्होंने स्पार्स रिग्रेशन (Sparse Regression) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि आप संदिग्धों की एक सूची के साथ एक अपराध को सुलझाने की कोशिश कर रहे हैं। हर किसी से पूछताछ करने के बजाय, आप एक स्मार्ट फिल्टर का उपयोग करते हैं जिससे आपको पता चलता है कि केवल 20 संदिग्ध ही वास्तव में प्रासंगिक हैं। टीम के एल्गोरिदम ने स्वचालित रूप से सबसे महत्वपूर्ण "नियमों" (परमाणुओं के बीच की अंतःक्रियाओं) को खोज लिया और बाकी को अनदेखा कर दिया, जिससे एक सटीक और सुव्यवस्थित मॉडल बना जो शोर (noise) से भ्रमित नहीं हुआ।

3. चुनौती: संतुलन बनाए रखना

इन बैटरियों में, कुल विद्युत आवेश हमेशा तटस्थ (neutral) रहना चाहिए (जैसे एक बैंक खाता जहाँ डेबिट को क्रेडिट के बराबर होना चाहिए)। यदि कंप्यूटर सिमुलेशन गलती से एक ऐसी स्थिति बना देता है जहाँ आवेश संतुलित नहीं होता है, तो परिणाम भौतिक रूप से असंभव है।

उपमा: कल्पना कीजिए कि एक डांस फ्लोर है जहाँ हर बार जब कोई व्यक्ति प्रवेश करता है, तो किसी और को बाहर जाना पड़ता है, या कुल लोगों की संख्या स्थिर रखने के लिए दो लोगों को अपने पार्टनर बदलने पड़ते हैं।
समाधान: उन्होंने टेबल-एक्सचेंज (Table-Exchange) नामक एक विशेष सैंपलिंग पद्धति का उपयोग किया। परमाणुओं को बेतरतीब ढंग से हिलाने और उम्मीद करने के बजाय कि सब ठीक होगा, कंप्यूटर केवल उन्हीं "कानूनी बदलावों" (legal swaps) की अनुमति देता है जो पहले से स्वीकृत हैं। उदाहरण के लिए, यह कह सकता है, "आप एक लिथियम परमाणु को बाहर निकाल सकते हैं, लेकिन केवल तभी जब उसी समय एक मैंगनीज परमाणु अपना आवेश बदले ताकि हिसाब बराबर रहे।" यह सुनिश्चित करता है कि सिमुलेशन भौतिकी के नियमों को कभी नहीं तोड़ता।

4. समाधान: एन्सेम्बल औसत (Ensemble Average)

चूंकि सामग्री अव्यवस्थित (disordered) है, इसलिए बैटरी का एक एकल स्नैपशॉट पर्याप्त नहीं है। परमाणुओं की एक विशिष्ट व्यवस्था दूसरी व्यवस्था से अलग व्यवहार कर सकती है, भले ही उनका रासायनिक सूत्र एक ही हो।

उपमा: यदि आप भीड़ की औसत ऊंचाई जानना चाहते हैं, तो आपको केवल एक व्यक्ति को नहीं मापना चाहिए। आपको केवल लोगों से भरी एक बड़ी कमरा मापने और यह उम्मीद करने की भी ज़रूरत नहीं है कि वह पूरी दुनिया का प्रतिनिधित्व करेगा।
समाधान: टीम ने अपनी सिमुलेशन को बैटरी के 30 अलग-अलग "संस्करणों" (परमाणुओं की विभिन्न यादृच्छिक व्यवस्थाओं) पर चलाया और परिणामों का औसत निकाला। उन्होंने पाया कि एक विशाल समूह का अनुकरण करने के बजाय कई छोटे समूहों का उपयोग करना और उनका औसत निकालना वास्तव में तेज़ और उतना ही सटीक था।

उन्होंने क्या पाया

जब उन्होंने इस नई विधि को एक विशिष्ट सामग्री (लिथियम, मैंगनीज, नियोबियम, ऑक्सीजन और फ्लोरीन का मिश्रण) पर लागू किया, तो परिणाम वास्तविक दुनिया के प्रयोगों से पूरी तरह मेल खाए।

खोज: वे स्पष्ट रूप से देख सके कि बैटरी कैसे काम करती है। जैसे-जैसे यह चार्ज होती है, मैंगनीज परमाणु पहले इलेक्ट्रॉन छोड़ते हैं। एक बार जब वे समाप्त हो जाते हैं, तो ऑक्सीजन परमाणु इलेक्ट्रॉन छोड़ना शुरू कर देते हैं।
यह क्यों महत्वपूर्ण है: यह समझाता है कि बैटरी वोल्टेज कैसे बदलता है। चार्जिंग कर्व का "फ्लैट" हिस्सा ठीक उसी समय होता है जब ऑक्सीजन परमाणु मदद करना शुरू करते हैं। इस नई विधि के बिना, वैज्ञानिक ऑक्सीजन के इस योगदान को स्पष्ट रूप से नहीं देख पाते क्योंकि अव्यवस्था (disorder) का "शोर" इसे छिपा रहा था।

सारांश

यह शोध पत्र अव्यवस्थित, जटिल बैटरी सामग्रियों का अनुकरण करने के लिए एक नया टूलकिट प्रस्तुत करता है। नियमों को सरल बनाने के लिए एक "स्मार्ट फिल्टर", आवेश को संतुलित रखने के लिए एक "सख्त बाउंसर" और एक बड़े ढेर के बजाय "कई छोटे समूहों का औसत" का उपयोग करके, वे अंततः भविष्यवाणी कर सकते हैं कि ये अगली पीढ़ी की बैटरियां कैसा प्रदर्शन करेंगी। यह वैज्ञानिकों को बेहतर, सस्ती और अधिक शक्तिशाली बैटरी डिजाइन करने में मदद करता है जो इलेक्ट्रिक वाहनों के लिए उपयोगी हैं।

तकनीकी सारांश: विस्कर्ड रॉकसाल्ट कैथोड्स में स्पार्स लैटिस मॉडल द्वारा मल्टी-रेडॉक्स प्रतिक्रियाओं के साथ इंटरकैलेशन केमिस्ट्री का मॉडलिंग

समस्या विवरण
डिस्कॉर्डर रॉकसाल्ट (DRX) कैथोड सामग्रियां, जैसे कि ली-एक्सेस ऑक्सीफ्लोराइड, स्केलेबल और प्रचुर मात्रा में उपलब्ध ऊर्जा भंडारण का एक मार्ग प्रदान करती हैं। हालांकि, इनका प्रदर्शन ट्रांजिशन मेटल्स (TMs) और ऑक्सीजन से जुड़ी जटिल कॉन्फ़िगरेशनल डिसऑर्डर और मल्टी-रेडॉक्स प्रतिक्रियाओं द्वारा नियंत्रित होता है। इन प्रणालियों के इंटरकैलेशन वोल्टेज प्रोफाइल को मॉडल करना तीन प्राथमिक चुनौतियों को प्रस्तुत करता है:

कॉम्बिनेटोरियल एक्सप्लोजन (Combinatorial Explosion): "चार्ज डेकोरेशन" की आवश्यकता—जहाँ एक ही तत्व की विभिन्न वैलेंस अवस्थाओं (जैसे, Mn $^{2+}$ , Mn $^{3+}$ , Mn $^{4+}$ , O $^{2-}$ , O $^{-}$ ) को इलेक्ट्रॉनिक एंट्रॉपी और स्थानीय रसायन विज्ञान को पकड़ने के लिए अलग-अलग प्रजातियों के रूप में माना जाता है—घटकों की संख्या को अत्यधिक बढ़ा देती है। यह पारंपरिक ग्राउंड-स्टेट सर्च एल्गोरिदम (GS-algo) और कंपोजिशन एन्यूमरेशन को, जैसे-जैसे सुपरसेल का आकार बढ़ता है, गणनात्मक रूप से असंभव (NP-hard) बना देता है।
क्लस्टर एक्सपेंशन (CE) ओवरफिटिंग: चार्ज-डेकोरेटेड सिस्टम को वर्णित करने के लिए आवश्यक क्लस्टर बेसिस फंक्शन्स की तीव्र वृद्धि उपलब्ध DFT प्रशिक्षण संरचनाओं की संख्या से अधिक हो जाती है। इससे फीचर मैट्रिसेस रैंक-डेफिशिएंट हो जाते हैं, जिससे मानक रिग्रेशन विधियाँ ओवरफिट हो जाती हैं और भविष्य कहनेवाला हैमिल्टोनियन (predictive Hamiltonians) बनाने में विफल रहती हैं।
सैंपलिंग में चार्ज-न्यूट्रैलिटी: मानक सेमी-ग्रैंड-कैनोनिकल मोंटे कार्लो (sGCMC) सिमुलेशन जटिल रेडॉक्स कपल्स के साथ कॉन्फ़िगरेशन को सैंपल करते समय सख्त चार्ज न्यूट्रैलिटी लागू करने में संघर्ष करते हैं। इस बाधा के बिना, CE हैमिल्टोनियन अनफिजिकल ऊर्जाओं की भविष्यवाणी करता है जो प्रशिक्षण सेट में मौजूद नहीं हैं।

कार्यप्रणाली
लेखक इन चुनौतियों से निपटने के लिए स्पार्स रिग्रेशन, चार्ज-बैलेंस्ड सैंपलिंग और एन्सेम्बल एवरेजिंग को संयोजित करने वाला एक एकीकृत ढांचा प्रस्तावित करते हैं:

ट्रेनिंग सेट जनरेशन: दो-चरणीय प्रक्रिया DFT प्रशिक्षण संरचनाएं उत्पन्न करती है। पहले, विभिन्न ट्रांजिशन मेटल और आयन कॉन्फ़िगरेशन के साथ प्रिस्टीन (पूर्णतः लिथियेटेड) संरचनाएं उत्पन्न की जाती हैं। दूसरा, TM/आयन ऑर्डरिंग्स को स्थिर रखते हुए विभिन्न डेलिथिएशन स्तरों पर Li/वैकेंसी ऑर्डरिंग्स को एन्यूमरेट किया जाता है। संरचनाओं को इलेक्ट्रोस्टैटिक ऊर्जा द्वारा फ़िल्टर किया जाता है ताकि कम-ऊर्जा वाले कॉन्फ़िगरेशन बनाए रखे जा सकें।
चार्ज-डेकोरेटेड CE के लिए स्पार्स रिग्रेशन: रैंक-डेफिशिएंट फीचर मैट्रिक्स के बावजूद प्रभावी क्लस्टर इंटरैक्शन (ECIs) को फिट करने के लिए, लेखक स्ट्रक्चरल हाइरार्की कंस्ट्रेंट्स के साथ $\ell_0\ell_2$ -नॉर्म रेगुलराइज्ड स्पार्स रिग्रेशन का उपयोग करते हैं। यह मिश्रित-पूर्णांक द्विघात प्रोग्रामिंग (mixed-integer quadratic programming) गैर-शून्य ECIs की संख्या ( $\|J\|_0$ ) को दंडित करता है जबकि एक रिज रिग्रेशन टर्म ( $\|J\|_2$ ) को बनाए रखता है, जिससे सबसे भौतिक रूप से सूचनात्मक इंटरैक्शन का चयन सुनिश्चित होता है और ओवरफिटिंग को रोका जाता है।
चार्ज-बैलेंस्ड sGCMC: लेखक "टेबल-एक्सचेंज" (TE) विधि का उपयोग करके sGCMC सिमुलेशन लागू करते हैं। रैंडम साइट स्वैप के बजाय, MC स्टेप्स को विशिष्ट, चार्ज-न्यूट्रल मौलिक परिवर्तनों (जैसे, Li $^+$ + Mn $^{2+}$ $\to$ Mn $^{3+}$ + Vac) तक सीमित किया जाता है। यह सुनिश्चित करता है कि प्रत्येक सैंपल किया गया कॉन्फ़िगरेशन शून्य शुद्ध आवेश बनाए रखता है, जो चार्ज-डेकोरेटेड CE की बाधाओं को पूरा करता है।
एन्सेम्बल एवरेजिंग: यह पहचानते हुए कि एक एकल यूनिट सेल DRX में स्थानीय रासायनिक वातावरण की प्रचुरता को कैप्चर नहीं कर सकता है, लेखक अलग-अलग प्रिस्टीन संरचनाओं का एक एन्सेम्बल उत्पन्न करते हैं। प्रत्येक पर sGCMC सिमुलेशन किया जाता है, और अंतिम वोल्टेज प्रोफाइल और प्रजाति सांद्रता एन्सेम्बल औसत के रूप में प्राप्त की जाती है। यह दृष्टिकोण एक बड़े सुपरसेल की तुलना में सांख्यिकीय सटीकता और गणनात्मक दक्षता के बीच संतुलन बनाता है।

प्रमुख परिणाम
इस ढांचे को डिस्कॉर्डर रॉकसाल्ट ऑक्सीफ्लोराइड Li $_{1.3-x}$ Mn $_{0.4}$ Nb $_{0.3}$ O $_{1.6}$ F $_{0.4}$ (LMNOF) पर लागू किया गया।

वोल्टेज प्रोफाइल समझौता: 300 K पर सिम्युलेटेड वोल्टेज प्रोफाइल प्रायोगिक डेटा के साथ मजबूत सहमति दिखाता है, विशेष रूप से $x \in [0.4, 1.3]$ के लिए ढलान और टर्निंग पॉइंट्स को पुनरुत्पादित करने में। मॉडल $x \approx 0.7$ पर वोल्टेज ढलान के सपाट होने (flattening) को सटीक रूप से कैप्चर करता है।
रेडॉक्स तंत्र का स्पष्टीकरण: सिमुलेशन एक हाइब्रिड रेडॉक्स तंत्र को प्रकट करता है। वोल्टेज ढलान का सपाट होना ऑक्सीजन ऑक्सीकरण (O $^{2-}$ से O $^{-}$ ) की शुरुआत को दर्शाता है, जो Mn $^{2+}$ की खपत के बाद लेकिन पूर्ण Mn $^{4+}$ ऑक्सीकरण से पहले होता है। मॉडल व्यापक Li सामग्री रेंज में कई Mn ऑक्सीकरण अवस्थाओं के सह-अस्तित्व को भी कैप्चर करता है, जिसका श्रेय धनायन डिसऑर्डर (cation disorder) द्वारा प्रेरित विविध स्थानीय रासायनिक वातावरण को दिया जाता है।
चार्ज डेकोरेशन की आवश्यकता: चार्ज डेकोरेशन के बिना (Mn और O को एकल प्रजाति मानकर) एक CE मॉडल के साथ तुलना करने पर, अनडेकोरेटेड मॉडल एक फीचरलेस वोल्टेज प्रोफाइल देता है जिसमें कोई विशिष्ट ढलान परिवर्तन नहीं होता है, और यह TM और O रेडॉक्स योगदान के बीच अंतर करने में विफल रहता है।
कंप्यूटेशनल दक्षता: समानांतर सैंपलिंग के साथ छोटे सुपरसेल्स (120 परमाणु) के उपयोग वाला एन्सेम्बल दृष्टिकोण, एक बड़े एकल सुपरसेल (960 परमाणु) का उपयोग करने के सांख्यिकीय रूप से समकक्ष पाया गया, लेकिन काफी अधिक गणनात्मक रूप से कुशल था।

महत्व और दावे
यह पेपर दावा करता है कि यह कॉन्फ़िगरेशनल डिसऑर्डर और मल्टी-रेडॉक्स गतिविधि वाली जटिल आयनिक प्रणालियों में इंटरकैलेशन थर्मोडायनामिक्स को मॉडल करने के लिए एक मजबूत और भविष्य कहनेवाला वर्कफ़्लो प्रदान करता है। उच्च-आयामी क्लस्टर एक्सपेंशन के प्रबंधन के लिए स्पार्स रिग्रेशन को एकीकृत करके और MC सैंपलिंग में चार्ज न्यूट्रैलिटी को लागू करके, लेखक "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) को दूर करते हैं जो आमतौर पर DRX सामग्रियों के सिमुलेशन को बाधित करता है।

लेखक जोर देते हैं कि उनका तरीका विशेष रूप से Li-एक्सेस कैथोड में ऑक्सीजन रेडॉक्स का सटीक वर्णन करने की क्षमता के कारण उल्लेखनीय है, जो अक्सर मानक दृष्टिकोणों के साथ कठिन होता है। वे तर्क देते हैं कि इलेक्ट्रॉनिक डिग्री ऑफ फ्रीडम (चार्ज डेकोरेशन) और स्थानीय डिसऑर्डर से जुड़ी एंट्रॉपी की उपेक्षा करने से गलत फेज डायग्राम और वोल्टेज प्रोफाइल प्राप्त होते हैं। यह कार्य स्थापित करता है कि इन प्रणालियों के सटीक मॉडलिंग के लिए केवल ग्राउंड-स्टेट सर्च से आगे बढ़कर Li/वैकेंसी ऑर्डरिंग और चार्ज-डेकोरेटेड प्रजातियों के बीच जटिल परस्पर क्रिया का सम्मान करने वाले एन्सेम्बल-आधारित सैंपलिंग की आवश्यकता है।