Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage

技術要約：ハードカーボンにおける原子レベル構造生成とニューラルネットワークによるスクリーニング

問題提起
ハードカーボンは、リチウムイオン電池の確立された負極材料であり、ナトリウムイオン電池（SIB）の有力な候補でもある。しかし、その電気化学的性能は、グラファイトドメイン、欠陥、およびナノ細孔からなる複雑で不均一なネットワークによって支配されている。密度汎関数理論（DFT）などの従来の原子レベルの手法は、必要とされる長さスケール（数千原子）および時間スケールにおいて、計算コストが極めて高く、モデル化が困難である。分子動力学（MD）シミュレーションはいくつかのギャップを埋めてきたものの、簡略化された構造表現に依存していることが多く、トポロジカルな無秩序性、マイクロポロシティ、および構造的不均一性を系統的に過小評価してしまう。その結果、ハードカーボン負極の最適化は依然として経験的なものに留まっており、前駆体の化学、熱分解温度、および加熱速度が、孤立または理解することが困難な、広大かつ結合した構成空間を作り出している。

手法
著者らは、ハードカーボンの微細構造とナトリウム貯蔵性能を結びつける、スケーラブルな3段階の計算ワークフローを提案している。

1. 大規模構造生成:

   • 本研究では、原子配置を導くために遺伝的アルゴリズムと学習された原子環境を組み合わせた能動学習ツールである、RAFFLE構造生成フレームワークを利用している。
   • ユニバーサル機械学習原子間ポテンシャル（MLIPs）を採用することで、DFTに近い精度を維持しつつ、MDスケールの計算コストでエネルギー評価を行う。具体的には、初期の高スループット・スクリーニングには$\Delta$-学習されたCHGNetモデルを使用し、その後の再評価と緩和にはMACE-MPA-0ポテンシャル（D3補正付き）を使用した。
   • このワークフローにより、13,096個の現実的なハードカーボンモデル（原子数702〜4,378、平均2,002個）を生成した。生成された構造は、実験的にアクセス可能な範囲に適合するよう設計されており、$sp^3$分率は0.085から0.662、密度は1.246から3.307 g cm$^{-3}$の範囲をカバーしている。
   • 初期ホストには単層グラフェンシートおよび多層フレークを含み、人工的な細孔を効率的に導入するために、非相互作用のテンプレート（球体や円柱）を用いた。

2. 明示的なインターカレーションと検証:

   • 代表的な構造（構造A〜E）のサブセットに対して、ワークフローの検証として明示的なナトリウム・インターカレーション計算を行った。
   • これらの計算により、特徴的な電圧プロファイル（傾斜からプラトーへの変化）を再現し、ナトリウムの分布、細孔の連結性、および局所的な結合環境（2体分布関数による）の分析を可能にした。

3. ニューラルネットワーク・サロゲートによるスクリーニング:

   • 13,096個の全構造に対して、極めて高価な明示的インターカレーション計算を個別に行うことなくスクリーニングするため、軽量なニューラルネットワーク（NN）サロゲートを訓練した。
   • 入力特徴量: モデルは、MACE-smallモデルから得られた凍結された記述子（プールされた原子ごとの特徴量）に、5つの幾何学的空隙記述子（空隙点、クラスター、総体積、ヒューリスティック容量、セル体積）を付加したものを使用している。
   • 訓練データ: NNは、ヒューリスティックな空隙充填プロトコルを用いて容量を推定した64個の構造のデータセットを用いて訓練された。
   • アーキテクチャ: 3つの出力ヘッド（容量の平均、対数分散、および標準偏差を予測）を持つ、コンパクトな残差多層パーセプトロンである。
   • 性能: 階層化k-分割交差検証において、平均絶対誤差（MAE）21.3 mA h g$^{-1}$、および$R^2$ 0.946を達成した。

主な結果

• 構造・物性関係: 生成されたライブラリは、広範な特性を網羅している。分析により、容量は密度と空隙率に強く依存することが明らかになった。
  • 密度閾値: 密度が2.25 g cm$^{-3}$を超える構造は、非常に低い容量を示す（下位5%）。逆に、密度が1.5 g cm$^{-3}$未満の構造は、容量の上位33%に含まれる。
  • 最適な「スイートゾーン」: 最高容量は、密度が約1.25 g cm$^{-3}$、$sp^3$分率が0.15–0.18、および空隙率が**12–15%**の構造で見られる。
• 容量範囲: 代表的なセット（A〜E）の明示的計算により、容量は88 mA h g$^{-1}$（高密度、低空隙率）から857 mA h g$^{-1}$（低密度、高空隙率）の範囲となった。サロゲートによって最高容量候補として特定された構造Eは、実験的なハードカーボン参照値（~580 mA h g$^{-1}$）および理論的予測を超えた。
• 細孔形態の役割: 容量は単なる総空隙容積の関数ではなく、決定的に細孔の連結性とトポロジーによって支配される。
  • 密度と空隙率が同程度であるにもかかわらず、構造C（小さな細孔の分布）は構造B（単一の大きな細孔）よりも優れた性能を示した。これは、細孔のアーキテクチャが容量を左右することを示している。
  • 構造Eの高い容量は、その高い空隙率（21%）と低い$sp^3$分率（0.11）に起因しており、これらが広範で連結された細孔ネットワークを促進している。
• ナトリウム貯蔵メカニズム: 平面密度分析により、ナトリウムは低密度領域（細孔）に優先的に蓄積することが確認された。高密度構造では、ナトリウムは疎で孤立したサイトに限定されるが、多孔質構造では、連結されたネットワークを充填する。インターカラントは、最大充填時においても、バルク状の金属クラスターを形成するのではなく、分散した状態を維持している。

意義と主張
本論文は、ハードカーボンの微細構造とナトリウム貯蔵性能を結びつけるスケーラブルなフレームワークを提供し、高容量負極のための原子レベルのデザイン原理を提示すると主張している。

• 手法的な進展: 主な貢献は、ユニバーサルMLIPをRAFFLEフレームワークと統合することに成功し、DFTのサイズ制限を克服して、数千の現実的な大規模ハードカーボンモデルを生成したことにある。
• 効率性: ニューラルネットワーク・サロゲートにより、本来であれば数ヶ月を要する明示的なインターカレーション計算を、わずか数秒で13,000以上の構造に対して行うことを可能にした。
• デザイン原理: ハードカーボンの性能を最適化するには、単純な密度や$sp^3$分率の指標を超えて考える必要があることを本研究は示している。むしろ、細孔の幾何学的形状、連結性、および伸長度が主要な記述子となる。著者らは、特定の密度、$sp^3$分率、および空隙率の組み合わせに対する「スイートゾーン」が存在すると断じている。
• 広範な影響: このワークフローは、合成に依存する微細構造（前駆体化学、熱分解条件、ヘテロ原子ドープ、および細孔エンジニアリングを含む）の探索に適用可能な、原子レベルの情報に基づいた設計への道筋を提供するものである。

著者らは、訓練セットのサイズが限定的であることや、初期の容量推定がヒューリスティックな性質を持つことから、サロゲートモデルが特定の構造（例：構造E）に対して定量的な偏差を示すことを認め、控えめな立場を維持している。しかし、モデルが定性的な傾向を捉えることに成功しており、無秩序な炭素ライブラリをランク付けするための堅牢なツールを提供していると主張している。