Modeling phase transformations in Mn-rich disordered rocksalt cathodes with machine learning interatomic potentials

본 연구는 머신러닝 원자 간 포텐셜을 활용하여 Mn이 풍부한 무질서 암염 구조 양극재가 Mn$^{2+}$ 형성보다는 전이 금속 이동에 의해 스피넬 유사 구조로 상변화가 일어남을 밝혀냈으며, 이는 리튬 수송 역학 및 용량 향상으로 이어진다.

핵심

배터리를 분주한 도시라고 상상해 보세요. 여기서 작은 리튬 이온들은 통근자이고, 배터리의 양극은 거대하고 북적이는 아파트 단지입니다. 수년 동안 과학자들은 이 통근자들을 위해 더 나은 건물을 짓기 위해 노력해 왔습니다. 유망한 설계 중 하나는 "무질서한 암염 구조(Disordered Rocksalt, DRX)" 건물입니다. 이것은 마치 거주자들(망간, 티타늄 및 기타 원자들)이 누가 어디에 사는지에 대한 특별한 규칙 없이 무작위로 던져진 혼란스러운 아파트 단지와 같습니다.

문제는 이 혼란스러운 건물 안에서 리튬 통근자들이 가끔 갇히게 되어, 배터리가 느려지고 출력이 낮아진다는 점입니다. 하지만 최근의 실험들은 배터리를 몇 번 사용하고 나면(충전 및 방전), 이 혼란스러운 건물이 스스로를 더 조직적인 "스피넬 유사(spinel-like)" 구조로 재배열하는 마법 같은 일이 일어난다는 것을 보여주었습니다. 이 새로운 구조는 리튬이 훨씬 더 빠르게 이동할 수 있게 하여 배터리의 성능을 높여줍니다.

큰 의문은 이것이었습니다: 이 엉망진창인 건물이 어떻게 마법처럼 스스로를 정리하는 것이며, 내부에서는 정확히 어떤 일이 일어나고 있는 것일까?

여기서 Peichen Zhong과 Gerbrand Ceder가 이끄는 연구진이 나섰습니다. 그들은 이 현상이 너무 빠르고 인간의 눈으로 보기에는 규모가 너무 작기 때문에 실시간으로 관찰할 수 없었습니다. 대신, 그들은 "머신 러닝 원자 간 포텐셜(Machine Learning Interatomic Potential, MLIP)"이라는 유형의 인공지능을 사용하여 이 건물의 초스마트 디지털 트윈을 구축했습니다.

다음은 그들이 발견한 내용을 간단히 정리한 것입니다:

1. "스마트 설계사" (AI 모델)

전통적인 컴퓨터 시뮬레이션은 건물의 모든 벽돌 무게를 하나하나 손으로 계산하려는 것과 같습니다. 시간이 너무 오래 걸리고 전체적인 그림을 보기에 너무 느립니다. 연구진은 이미 많은 재료에 대한 물리 법칙을 학습한 사전 훈련된 AI(CHGNet)를 사용했습니다. 그 후, 이 AI를 망간이 풍부한 배터리 재료에 맞춰 특별히 "미세 조정(fine-tuning)"했습니다.

이 AI를 슈퍼 설계사라고 생각하면 됩니다. 이 설계사는 모든 원자가 어떻게 움직이고 반응할지를 정확하게 예측할 수 있지만, 전통적인 방식보다 수백만 배 더 빠르게 수행합니다. 이를 통해 연구진은 원자의 세계에서 영겁과도 같은 시간인 "나노초(10억 분의 1초)" 동안 지속되는 시뮬레이션을 실행할 수 있었습니다.

2. 위대한 재배열 (상변화)

연구진은 혼란스러운 무질서한 건물에서 시뮬레이션을 시작했습니다. 원자들이 움직이는 "영화"를 지켜보면서 다음과 같은 사실을 발견했습니다:

• 이동(Migration): 망간 원자들(우리 아파트 비유에서의 무거운 가구)이 움직이기 시작했습니다. 이들은 무작위 위치에서 벗어나 특정하고 조직적인 줄을 형성하며 이동했습니다.
• 트리거(Trigger): 일반적인 이론은 이 원자들이 전하를 바꿨기 때문에(마치 사람의 기분이 변하는 것처럼) 움직였다는 것이었습니다. 하지만 AI 시뮬레이션은 반전을 보여주었습니다: 원자들은 전하가 완전히 바뀌기도 전에 움직이기 시작했습니다.
• 결과: 망간 원자들이 특정 패턴(스피넬 유사 또는 $\delta$-상)으로 스스로를 조직했습니다. 일단 이 패턴이 확립되자, 원자들은 더 낮은 에너지 상태로 자리를 잡았습니다. 이는 마치 어지러운 방이 가구가 더 편안하게 들어맞는 위치를 찾으면서 갑자기 완벽하고 정돈된 배치로 딱 들어맞는 것과 같습니다.

3. "고속도로" 효과 (왜 더 좋은가)

가장 중요한 발견은 건물 내부의 "도로"에 관한 것이었습니다.

• 혼란스러운 건물에서는 리튬 통근자들이 좁고 막힌 경로를 헤쳐 나가야 했습니다.
• 새로운 조직적인 건물에서는 망간 원자들이 옆으로 비켜나 리튬과 빈 공간만이 존재하는 넓고 탁 트인 고속도로(0-TM 채널이라 불리는)를 만들어냈습니다.
• 비유: 사람들이 길을 막고 있는 붐비는 복도를 상상해 보세요. 만약 사람들이 옆으로 비켜나서 줄을 잘 선다면, 응급 요원(리튬 이온)들이 질주할 수 있는 명확한 경로가 열릴 것입니다. 이것이 배터리가 더 빨라지고 더 많은 에너지를 보유하게 되는 이유입니다.

4. 전하의 미스터리

연구진은 또한 망간 원자의 "기분"(원자가 상태)을 살펴보았습니다. 그들은 일부 망간 원자들이 전하를 변화시켰지만(Mn2+가 됨), 이 과정은 이미 구조가 조직화되기 시작한 후에 일어났다는 것을 발견했습니다.

• 기존 이론: 원자들이 먼저 기분을 바꾸었고, 이것이 움직임을 강제했다.
• 새로운 발견: 원자들이 건물을 정리하기 위해 먼저 움직였고, 그 후에 그들의 기분이 새로운 질서에 맞춰 변화했다. 즉, 조직화가 전하 변화를 일으킨 것이지, 그 반대가 아니었습니다.

5. 배터리의 성능

마지막으로, 연구진은 배터리가 전기적으로 어떻게 작동하는지 시뮬레이션했습니다.

• 기존의 혼란스러운 건물: 충전하려고 하면 전압(리튬을 밀어내는 압력)이 울퉁불퉁하게 오르내리며 불안정했습니다.
• 새로운 조직적인 건물: 전압이 고속도로를 달리는 것처럼 매끄럽고 일정해졌습니다.
• 용량: 새로운 구조는 원래의 혼란스러운 구조보다 더 많은 리튬을 보유할 수 있었으며, 시간이 지남에 따라 배터리를 파괴하는 구조적 스트레스 없이도 이를 수행할 수 있었습니다.

요약

요컨대, 이 논문은 초고속 AI를 사용하여 혼란스러운 배터리 재료가 어떻게 매우 효율적이고 질서 정연한 구조로 재조직되는지를 관찰했습니다. 그들은 원자들이 더 나은 배치를 만들기 위해 먼저 움직이며, 전기적 변화는 그 뒤를 따른다는 것을 발견했습니다. 이 새로운 레이아웃은 리튬을 위한 "고속도로"를 만들어 배터리를 더 빠르고, 강력하며, 안정적으로 만듭니다. 이는 마치 혼란스러운 군중이 스스로 질서 정연한 줄을 만들어 모두가 더 빨리 이동할 수 있는 명확한 경로를 만드는 것을 보는 것과 같습니다.

기술 요약

기술 요약: 머신러닝 원자 간 포텐셜을 이용한 Mn-rich 무질서 암염형 양극재의 상변태 모델링

문제 정의
Li$_x$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$와 같은 Mn-rich 무질서 암염(disordered rocksalt, DRX) 양극 소재는 전기화학적 사이클링 중에 무질서 구조에서 부분적으로 무질서한 스피넬 유사 상( $\delta$-상으로 명명됨)으로의 유익한 인시튜(in-situ) 상변태를 나타낸다. 이 변태는 용량 증가 및 율속 특성 향상과 관련이 있다. 그러나 이러한 전이를 구동하는 원자 수준의 메커니즘, 즉 전이 금속(TM) 이동, 전하 상태 진화, 그리고 양이온 질서화의 결합된 역학은 모델링하기 매우 어렵다. 기존의 ab initio 방법들은 요구되는 시간 및 길이 척도에 대해 계산 비용이 지나치게 높으며, 전통적인 클러스터 확장(cluster expansion, CE) 모델은 다양한 국부 환경에서의 복잡한 전하 결합 역학 및 이동 장벽을 포착할 수 있는 표현력이 부족하다.

방법론
저자들은 CHGNet 아키텍처를 기반으로 미세 조정된 머신러닝 원자 간 포텐셜(MLIP)을 중심으로 한 다단계 계산 워크플로우를 채택하였다.

1. 데이터셋 구축: r2SCAN-DFT 계산을 사용하여 Li–Mn–Ti–O–F 화학 공간에 대한 포괄적인 샘플링을 수행하였다. 여기에는 다음이 포함된다:
   • Materials Project 및 기존 DRX-CE 데이터셋의 기존 안정된 화합물들.
   • 몬테카를로(MC) 시뮬레이션 및 사이트 교환 프로토콜을 통해 생성된, 스피넬 유사 질서도가 다양한 맞춤형 부분 무질서 구조들.
   • 다양한 탈리튬화 수준에서 전이 금속 이동 경로(팔면체-사면체-팔면체, 또는 o-t-o, 및 직접 o-o 경로)에 대한 특정 샘플링(고에너지 장벽 이벤트를 포착하기 위함).
2. 모델 학습: "Trial-CHGNet"을 초기 완화 궤적(relaxation trajectories)에 대해 미세 조정하였다. 이후, 열적으로 들뜬 구성(thermally excited configurations)의 샘플링을 강화하기 위해 샘플링된 이동 경로 및 MD 궤적에 대한 정적 DFT 계산을 사용하여 "Sample-CHGNet"을 매개변수화하였다. 마지막으로, 88,852개의 구조를 학습 세트로 하여 "Product-CHGNet"을 미세 조정하였으며, 테스트 오차는 에너지 기준 약 2 meV/atom, 힘(force) 기준 약 68 meV/Å를 달성하였다.
3. 시뮬레이션: 1273 K에서 탈리튬화된 Li$_{0.6}$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$ 시스템에 대해 전하 정보 기반 분자 동역학(MD) 시뮬레이션을 수행하였다. MLIP는 예측된 자기 모멘트를 원자 전하의 대리 지표로 활용하여 Mn$^{2+}$, Mn$^{3+}$, Mn$^{4+}$의 원자가 상태를 동적으로 추론하였다.
4. 전기화학적 분석: Li-공석(vacancy) 구성의 볼록 껍질(convex hulls)을 구축하고 삽입 반응을 분석함으로써 변환된 $\delta$-상, 원래의 DRX 상, 그리고 완전히 정렬된 스피넬 상의 전압 프로파일을 계산하였다.

주요 결과

• 상변태 메커니즘: MD 시뮬레이션은 무질서 암염에서 스피넬 유사 $\delta$-상으로의 전이를 성공적으로 포착하였다. 이 변태는 약 60 meV/anion의 에너지 감소에 의해 입증되듯 열역학적으로 유리하다.
• 이동 및 질서화 순서: 연구는 다음과 같은 특정 사건의 순서를 밝혀냈다:
  • Mn 이동은 주로 Mn$^{3+}$가 사면체 자리를 통해 이동하면서 시작되며, 이는 장범위 스피넬 유사 질서가 확립되기 전에 발생한다.
  • 사면체 Mn$^{2+}$의 출현은 양이온 이동의 트리거라기보다 스피넬 유사 질서화의 결과이다.
  • 변환된 구조는 비전이 금속(0-TM) 면 공유 채널(전이 금속 없이 Li 또는 공석으로 둘러싸인 사면체 자리)의 더 높은 농도를 나타내며, 이는 Li 퍼콜레이션(percolation)에 결정적이다.
• 전기화학적 특징:
  • 정렬된 스피넬 Li$_x$MnO$_2$와 달리, $\delta$-상은 $x \approx 0.6$ 미만에서 탈리튬화될 때 1 V 이상의 급격한 전압 단계(voltage step)를 보이는 2상 반응을 보이는 대신, 고체 용액(solid-solution) 거동과 의사 평탄부(pseudo-plateau)를 유지한다.
  • $\delta$-상은 DRX 및 완전히 정렬된 스피넬 상에 비해 0-TM에서 사면체-Li로의 전환 반응으로부터 유도된 더 높은 Li 용량을 보여준다.
  • DRX 상은 0-TM 채널의 부재와 더 가파른 전압 기울기로 인해 3 V 부근에서 제한된 용량을 보인다.

의의 및 주장
본 논문은 Mn-rich DRX 양극의 고체 상태 상변태와 실험적 전기화학 사이의 직접적인 관계에 대한 원자 수준의 통찰력을 제공한다고 주장한다. 저자들은 자신들의 연구가 전하 역학 및 구조적 진화가 밀접하게 결합된 복잡한 산화물 재료를 모델링하는 데 있어 MLIP, 특히 전하 정보 기반 CHGNet의 잠재력을 입증했음을 강조한다. 전하 불균등화(charge disproportionation)와 이온 호핑(ion hopping) 사이의 시간 척도 차이를 해결함으로써, 본 연구는 Mn$^{2+}$ 형성이 이동을 유발한다는 기존의 관념에 도전하며, 대신 그것이 스피넬 유사 질서의 확립을 따른다는 점을 시사한다. 이 연구는 부분적인 양이온 무질서가 어떻게 해로운 2상 반응을 제거하는 동시에 Li 수송 역학 및 용량을 향상시키는지에 대한 메커니즘적 이해를 제공하며, 복잡한 에너지 재료 연구를 위한 MLIP의 유용성을 검증한다.