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

Nella ricerca di batterie migliori, gli scienziati stanno cercando materiali che possano muovere gli ioni — atomi carichi come il litio — in modo rapido ed efficiente. Immaginate un blocco solido di materiale dove questi oli possono scorrere con la stessa facilità con cui lo fanno in un liquido. Questo è il "sacro Graal" delle batterie allo stato solido, che promettono di essere più sicure e potenti delle batterie agli ioni di litio utilizzate oggi nei nostri telefoni e nelle nostre auto. La chiave per trovare questi materiali risiede nel comprendere quanto velocemente si muovono gli ioni, una proprietà chiamata autodiffusività. Tradizionalmente, determinare quanto velocemente si muove uno ione all'interno di un cristallo richiede l'esecuzione di massicce simulazioni al computer che tracciano il movimento di ogni atomo nel tempo. Poiché gli ioni si muovono lentamente ed erraticamente, queste simulazioni devono essere eseguite per un periodo molto lungo per ottenere una risposta accurata, richiedendo spesso giorni o addirittura settimane di tempo di calcolo per un singolo materiale. Questa lentezza rende quasi impossibile esaminare i migliaia di potenziali materiali necessari per trovare quello perfetto.

Un team di ricercatori del Massachusetts Institute of Technology ha trovato un modo per aggirare questo collo di bottiglia. Invece di aspettare che la lenta simulazione completa del movimento degli ioni termini, hanno sviluppato un metodo per prevedere quanto velocemente si muoveranno gli ioni osservando le "impronte digitali" del materiale da una simulazione molto breve. Si sono resi conto che, mentre il movimento effettivo degli ioni richiede molto tempo per stabilizzarsi in un modello prevedibile, altre proprietà del materiale si stabilizzano quasi istantaneamente. Queste proprietà includono il modo in cui gli atomi vibrano, come sono disposti nello spazio e la natura chimica degli atomi stessi. Addestrando un modello informatico a riconoscere la connessione tra queste impronte digitali, rapide da misurare, e la velocità finale degli oni, i ricercatori possono ora prevedere il movimento degli ioni con un'elevata precisione utilizzando solo una frazione minima della potenza di calcolo precedentemente richiesta.

I ricercatori si sono concentrati su una sfida specifica: distinguere tra materiali in cui gli ioni sono bloccati in posizione e quelli in cui fluiscono liberamente. Hanno raccolto dati su migliaia di diversi materiali solidi che conducono ioni. Per ogni materiale, hanno eseguito una breve simulazione al computer della durata di soli cinque picosecondi — un tempo così breve da essere un millionesimo di miliardesimo di secondo. Da questo fugace istantanea, hanno estratto due tipi principali di informazioni. Primo, hanno esaminato la densità degli stati vibrazionali, che è essenzialmente una mappa di come gli atomi si scuotono o vibrano a diverse velocità. Secondo, hanno esaminato la funzione di distribuzione radiale, una misura di come gli ioni siano spaziati l'uno rispetto all'altro, rivelando se sono strettamente compatti in una struttura rigida o se si muovono più liberamente come un liquido.

Per dare un senso a questi dati, il team ha utilizzato un tipo di intelligenza artificiale chiamata rete neurale. Hanno insegnato a questa rete a guardare le impronte digitali della simulazione breve e a indovinare la velocità finale a lungo termine degli ioni. Alla rete è stata anche fornita l'informazione sulla chimica del materiale, come quali elementi sono presenti e come sono legati tra loro. L'obiettivo era vedere se il modello potesse apprendere le regole nascoste che collegano il rapido e caotico tremolio degli atomi al lento e costante deriva degli ioni. I risultati sono stati sorprendenti. Il modello poteva prevedere la velocità finale degli ioni con un alto grado di precisione, ottenendo un errore medio inferiore alla metà di un'unità su una scala logaritmica, un margine molto stretto per un processo fisico così complesso. Ha classificato correttamente i materiali, identificando i conduttori veloci e quelli lenti con una forte correlazione.

Una delle scoperte più importanti è stata che il modello non aveva bisogno di aspettare che gli ioni saltassero effettivamente da un punto all'altro per fare una previsione. In molti dei materiali, specialmente in quelli lenti, gli ioni potrebbero non muoversi affatto durante una finestra di cinque picosecondi. Eppure, il modello poteva comunque dire quanto velocemente si sarebbero mossi se avessero avuto abbastanza tempo. Questo perché la breve simulazione catturava la "rigidità" dell'ambiente circostante gli ioni. Nei materiali ad alta conduzione, gli atomi che circondano gli ioni in movimento sono debolmente accoppiati, permettendo agli ioni di scivolare via facilmente. Nei materiali lenti, gli atomi circostanti sono strettamente bloccati in posizione, creando una gabbia rigida che intrappola gli ioni. Il modello ha imparato a leggere queste sottili differenze nei modelli vibrazionali e strutturali, vedendo efficacementamente il potenziale di movimento prima che accadesse.

I ricercatori hanno anche esplorato come gli ioni in movimento interagiscono con la struttura circostante del cristallo. Hanno scoperto che nei materiali in cui gli ioni si muovono rapidamente, le vibrazioni degli ioni in movimento sono ampiamente indipendenti dalle vibrazioni degli atomi circostanti. Gli ioni sono disaccoppiati, muovendosi autonomamente. Al contrario, nei materiali lenti, gli ioni in movimento sono strettamente sincronizzati con la struttura circostante, bloccati in un ritmo condiviso che impedisce loro di liberarsi. Questo disaccoppiamento è una firma chiave di un buon conduttore. Lo studio ha anche confermato che la disposizione degli ioni, misurata in base alla probabilità di trovarli a determinate distanze l'uno dall'altro, segue un modello specifico nei conduttori veloci che assomiglia a un liquido, mentre i conduttori lenti mantengono un ordine rigido, simile a quello di un solido.

Combinando questi indizi vibrazionali, strutturali e chimici, il team ha creato uno strumento universale per lo screening dei materiali. Invece di eseguire simulazioni che richiedono giorni per convergere, i ricercatori possono ora eseguire una simulazione di soli cinque picosecondi e ottenere una previsione affidabile delle prestazioni del materiale. Questo approccio non fa altro che risparmiare tempo; cambia la strategia di scoperta. Permette agli scienziati di filtrare rapidamente migliaia di candidati scarsi e concentrare le loro risorse su quei pochi materiali che mostrano promessa. Il modello è stato testato su un dataset di oltre quattromila materiali e si è dimostrato robusto attraverso una vasta gamma di temperature e composizioni chimiche. Ha previsto con successo la velocità degli ioni per materiali noti per essere rapidi conduttori, così come per quelli noti per essere lenti, senza bisogno di conoscere la risposta in anticipo.

Le implicazioni per lo sviluppo delle batterie sono significative. Trovare nuovi elettroliti solidi è stato un processo lento perché il costo computazionale per testare ogni candidato era troppo elevato. Con questo nuovo metodo, il processo di screening diventa veloce ed efficiente. I ricercatori hanno dimostrato che il loro modello può prevedere la velocità degli ioni con un'accuratezza paragonabile a quella di una simulazione molto più lunga, ma in una frazione del tempo. Ciò significa che la ricerca del materiale perfetto per le batterie allo stato solido può passare da un processo lento e manuale a uno rapido e automatizzato. Il lavoro evidenzia come la risposta a un problema lento e complesso possa spesso essere trovata nei modelli rapidi ed emergenti del sistema, a patto di sapere come leggerli. Lo studio non afferma di aver risolto interamente il problema della progettazione delle batterie, ma fornisce una nuova e potente lente attraverso la quale guardare al vasto panorama di potenziali materiali, trasformando una ricerca di anni in una questione di giorni o addirittura ore.