Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
Questo articolo presenta un framework computazionale scalabile che combina potenziali interatomici appresi tramite machine learning, lo strumento di generazione di strutture RAFFLE e un surrogato a rete neurale per modellare oltre 13.000 strutture realistiche di carbonio duro, collegando con successo le loro caratteristiche microstrutturali alle prestazioni di stoccaggio del sodio e identificando candidati anodo ad alta capacità superiori a 800 mAh g.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il mondo si sta muovendo verso un'elettricità che proviene dal sole e dal vento, fonti che sono pulite ma imprevedibili. Per rendere questa energia affidabile, abbiamo bisogno di batterie che possano immagazzinare enormi quantità di potenza e rilasciarla quando le nuvole coprono il sole o il vento cala. Sebbene le batterie agli ioni di litio alimentino attualmente i nostri telefoni e le nostre auto, il litio su cui si basano sta diventando costoso e scarso. Gli scienziati stanno ora cercando un'alternativa più abbondante: il sodio, l'elemento comune presente nel sale da tavola. Il sodio è ovunque ed è economico, ma è uno ione più grande e goffo rispetto al litio, il che rende difficile immagazzinarlo efficientemente nei materiali che utilizziamo attualmente. Il candidato più promettente per contenere il sodio è un tipo di carbonio chiamato hard carbon, un materiale disordinato e simile a una spugna che può intrappolare gli ioni di sodio nei suoi minuscoli spazi interni. Tuttavia, questo materiale è così complesso e irregolare che gli scienziati hanno faticato a capire esattamente come la sua struttura interna influenzi la sua capacità di immagazzinare energia, lasciando la progettazione di migliori batterie a un gioco di tentativi ed errori.
Un team di ricercatori dell'Università di Exeter ha adottato un approccio diverso, utilizzando potenti computer per costruire migliaia di modelli virtuali di hard carbon per vedere cosa li faccia funzionare al meglio. Invece di cercare di indovinare la struttura perfetta, hanno utilizzato un sistema di apprendimento automatico per generare oltre tredicimila modelli unici e realistici di hard carbon. Questi modelli non erano semplici disegni; erano mappe atomiche dettagliate contenenti migliaia di atomi di carbonio disposti in schemi disordinati, completi di piccoli pori e difetti che esistono nei materiali reali. I ricercatori hanno poi utilizzato un programma informatico specializzato, addestrato sulle leggi della fisica, per simulare come gli ioni di sodio si muoverebbero all'interno di queste strutture virtuali. Testando ogni modello, potevano misurare esattamente quanto sodio potesse contenere e come la tensione cambiasse durante la carica e la scarica della batteria. Questo massiccio esperimento digitale ha permesso loro di osservare schemi che sarebbero impossibili da individuare in un laboratorio fisico, dove creare e testare anche un solo nuovo materiale può richiedere settimane.
Le simulazioni hanno rivelato una chiara relazione tra la forma del carbonio e le sue prestazioni. I ricercatori hanno scoperto che il miglior hard carbon per immagazzinare il sodio non è quello denso e solido, ma piuttosto una versione più leggera e porosa. Nello specifico, i modelli hanno mostrato che le strutture con una densità intorno a 1,25 grammi per centimetto cubo e una porosità compresa tra il 12 e il 15 percento offrivano le prestazioni migliori. In queste strutture ottimali, i pori interni non erano solo buchi vuoti; erano tunnel ben connessi che permettevano al sodio di fluire liberamente attraverso il materiale. Quando il carbonio era troppo denso, il sodio non riusciva a entrare, e la capacità di immagazzinamento era bassa. Quando il carbonio era troppo leggero o i pori erano isolati, anche la capacità ne risentiva. Il modello virtuale di maggior successo, che i ricercatori hanno chiamato Struttura E, è stato in grado di immagazzinare sodio a un tasso di 857 milliampere ore per grammo, una cifra che supera sia gli attuali record sperimentali che la capacità delle normali batterie al grafite e litio.
Per dare un senso a un numero così elevato di modelli senza passare anni in calcoli, il team ha addestrato un'intelligenza artificiale leggera per prevedere la capacità di immagazzinamento di qualsiasi struttura semplicemente guardando la sua forma. Questa IA ha agito come un filtro veloce, scansionando l'intera libreria di tredicimila modelli in pochi secondi per identificare i candidati più promettenti. L'IA ha identificato correttamente che l'alta capacità era legata alla bassa densità e all'alta porosità, e ha indicato con successo ai ricercatori le strutture con le prestazioni migliori. Quando i ricercatori hanno poi eseguito simulazioni dettagliate e dispendiose in termini di tempo su questi migliori candidati per confermare le previsioni dell'IA, i risultati sono stati confermati. L'analisi dettagliata ha mostato che nelle migliori strutture, gli ioni di sodio riempivano una vasta rete connessa di pori, distribuendosi uniformemente invece di rimanere bloccati in punti isolati. Ciò ha confermato che la geometria dei vuoti interni è importante quanto la composizione chimica del carbonio stesso.
Lo studio suggerisce che la strada verso migliori batterie al sodio risiede nell'ingegnerizzazione dell'architettura microscopica del carbonio, assicurando che abbia la giusta quantità di spazio vuoto e che tale spazio sia connesso in modo da permettere agli ioni di muoversi liberamente. I ricercatori hanno identificato un particolare "punto di equilibrio" per queste proprietà, offrendo un obiettivo chiaro per i chimici e gli ingegneri che producono questi materiali. Passando dall'indovinare a una comprensione basata sui dati di come la struttura atomica determini le prestazioni, questo lavoro fornisce una tabella di marcia per progettare anodi ad alta capacità. L'approccio utilizzato qui, che combina la generazione di strutture realistiche con l'apprendimento automatico, potrebbe essere applicato anche ad altri materiali, accelerando potenzialmente la scoperta di nuove soluzioni di accumulo dell'energia che sono essenziali per un futuro energetico rinnovabile e stabile.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.