Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
Dit artikel presenteert een schaalbaar computationeel framework dat machine-learned interatomaire potentialen, de RAFFLE-structuurgeneratietool en een neuraal netwerk-surrogaat combineert om meer dan 13.000 realistische harde koolstofstructuren te modelleren, waarbij succesvol hun microstructuurkenmerken worden gekoppeld aan natriumopslagprestaties en hoogcapacitieve anodekandidaten worden geïdentificeerd die de 800 mAh g overstijgen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De wereld beweegt zich naar elektriciteit die afkomstig is van de zon en de wind, bronnen die schoon maar onvoorspelbaar zijn. Om deze energie betrouwbaar te maken, hebben we batterijen nodig die enorme hoeveelheden energie kunnen opslaan en kunnen vrijgeven wanneer de wolken de zon bedekken of de wind gaat liggen. Hoewel lithium-ionbatterijen momenteel onze telefoons en auto's aandrijven, wordt het lithium waar ze op vertrouwen steeds duurder en schaarser. Wetenschappers zoeken nu naar een meer overvloedig alternatief: natrium, het veelvoorkomende element dat in keukenzout wordt gevonden. Natrium is overal en goedkoop, maar het is een groter, onhandiger ion dan lithium, waardoor het moeilijk efficiënt opgeslagen kan worden in de materialen die we momenteel gebruiken. De meest veelbelovende kandidaat voor het vasthouden van natrium is een type koolstof genaamd hard carbon, een ongeordend, sponsachtig materiaal dat natriumionen in zijn piepkleine interne holtes kan vangen. Dit materiaal is echter zo complex en onregelmatig dat wetenschappers worstelen met het begrijpen van hoe de interne structuur precies de capaciteit om energie op te slaan beïnvloedt, waardoor het ontwerp van betere batterijen grotendeels een spel van trial-and-error blijft.
Een team onderzoekers aan de Universiteit van Exeter heeft een andere aanpak gekozen door krachtige computers te gebruiken om duizenden virtuele modellen van hard carbon te bouwen om te zien wat het beste werkt. In plaats van te proberen de perfecte structuur te raden, gebruikten ze een machine learning-systeem om meer dan dertienduizend unieke, realistische modellen van hard carbon te genereren. Deze modellen waren geen eenvoudige tekeningen; het waren gedetailleerde atomaire kaarten met duizenden koolstofatomen gerangschikt in ongeordende patronen, compleet met de kleine poriën en defecten die in echte materialen voorkomen. De onderzoekers gebruikten vervolgens een gespecialiseerd computerprogramma, getraind op de wetten van de fysica, om te simuleren hoe natriumionen in deze virtuele structuren zouden bewegen. Door elk model te testen, konden ze precies meten hoeveel natrium het kon bevatten en hoe het voltage veranderde tijdens het laden en ontladen van de batterij. Dit enorme digitale experiment stelde hen in staat om patronen te zien die onmogelijk op te merken zouden zijn in een fysiek laboratorium, waar het creëren en testen van zelfs één nieuw materiaal weken kan duren.
De simulaties onthulden een duidelijke relatie tussen de vorm van de koolstof en de prestaties ervan. De onderzoekers ontdekten dat de beste hard carbon voor het opslaan van natrium niet de dichte, solide soort is, maar eerder een lichtere, meer poreuze versie. Specifiek toonden de modellen aan dat structuren met een dichtheid rond de 1,25 gram per kubieke centimeter en een porositeit tussen de 12 en 15 procent het best presteerden. In deze optimale structuren waren de interne poriën niet alleen lege gaten, maar wel goed verbonden tunnels die natrium vrij door het materiaal lieten stromen. Wanneer de koolstof te dicht was, kon het natrium niet naar binnen komen en was de opslagcapaciteit laag. Wanneer de koolstof te licht was of de poriën geïsoleerd waren, leed de capaciteit ook. Het meest succesvolle virtuele model, dat de onderzoekers Structuur E noemden, kon natrium opslaan met een snelheid van 857 milliampieruur per gram, een cijfer dat zowel de huidige experimentele records als de capaciteit van standaard lithium-grafietbatterijen overtreft.
Om een dergelijk groot aantal modellen te begrijpen zonder jaren aan berekeningen te besteden, trainden het team een lichte kunstmatige intelligentie om de opslagcapaciteit van een gegeven structuur te voorspellen door enkel naar de vorm te kijken. Deze AI fungeerde als een snelle filter die de gehele bibliotheek van dertienduizend modellen in seconden scande om de meest veelbelovende kandidaten te identificeren. De AI identificeerde correct dat een hoge capaciteit gekoppeld was aan een lage dichtheid en een hoge porositeit, en wees de onderzoekers succesvol op de best presterende structuren. Wanneer de onderzoekers vervolgens gedetailleerde, tijdrovende simulaties uitvoerden op deze topkandidaten om de voorspellingen van de AI te bevestigen, hielden de resultaten stand. De gedetailleerde analyse toonde aan dat in de beste structuren de natriumionen een uitgestrekt, verbonden netwerk van poriën vulden, waardoor ze zich gelijkmatig verspreidden in plaats van vast te komen te zitten in geïsoleerde plekken. Dit bevestigde dat de geometrie van de interne holtes even belangrijk is als de chemische samenstelling van de koolstof zelf.
Het onderzoek suggereert dat de weg naar betere natriumbatterijen ligt in het ontwerpen van de microscopische architectuur van de koolstof, door ervoor te zorgen dat het de juiste hoeveelheid lege ruimte heeft en dat deze ruimte op een manier verbonden is die ionen vrij laat bewegen. De onderzoekers identificeerden een specif specifieke "sweet spot" voor deze eigenschappen, wat een duidelijk doel biedt voor chemici en ingenieurs die deze materialen produceren. Door over te stappen van gokwerk naar een op data gebaseerd begrip van hoe de atomaire structuur de prestaties bepaalt, biedt dit werk een routekaart voor het ontwerpen van anodes met een hoge capaciteit. De aanpak die hier is gebruikt, die realistische structuurgeneratie combineert met machine learning, zou ook toegepast kunnen worden op andere materialen, wat potentieel de ontdekking van nieuwe energieoplossingen kan versnellen die essentieel zijn voor een stabiele, hernieuwbare toekomst van energie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.