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

In de zoektocht naar betere batterijen zoeken wetenschappers naar materialen die ionen—geladen atomen zoals lithium—snel en efficiënt kunnen verplaatsen. Stel je een solide blok materiaal voor waarin deze ionen net zo gemakkelijk kunnen rondzwiepen als in een vloeistof. Dit is de heilige graal van solid-state batterijen, die de belofte inhouden om veiliger en krachtiger te zijn dan de lithium-ion batterijen in onze telefoons en auto's van vandaag. De sleutel tot het vinden van deze materialen ligt in het begrijpen van hoe snel de ionen bewegen, een eigenschap die zelfdiffusiviteit wordt genoemd. Traditioneel vereist het uitrekenen van hoe snel een ion binnen een kristal beweegt, het draaien van enorme computersimulaties die de beweging van elk atoom over de tijd volgen. Omdat ionen traag en grillig bewegen, moeten deze simulaties een zeer lange tijd draaien om een accuraat antwoord te krijgen, wat vaak dagen of zelfs weken aan computertijd kost voor één enkel materiaal. Deze traagheid maakt het bijna onmogelijk om de duizenden potentiële materialen te screenen die nodig zijn om het perfecte materiaal te vinden.

Een team onderzoekers aan het Massachusetts Institute of Technology heeft een manier gevonden om deze flessenhals te omzeilen. In plaats van te wachten tot de trage, volledige simulatie van de ionbeweging voltooid is, ontwikkelden zij een methode om te voorspellen hoe snel ionen zullen bewegen door te kijken naar de "vingerafdrukken" van het materiaal vanuit een zeer korte simulatie. Ze realiseerden zich dat hoewel de werkelijke beweging van ionen een lange tijd nodig heeft om in een voorspelbaar patroon te komen, andere eigenschappen van het materiaal zich bijna onmiddellijk stabiliseren. Deze eigenschappen omvatten hoe de atomen trillen, hoe ze in de ruimte zijn gerangschikt en de chemische aard van de atomen zelf. Door een computermodel te trainen om de verbinding te herkennen tussen deze snel te meten vingerafdrukken en de uiteindelijke snelheid van de ionen, kunnen de onderzoekers nu de ionbeweging voorspellen met een hoge nauwkeurigheid, waarbij slechts een fractie van de eerder vereiste rekenkracht wordt gebruikt.

De onderzoekers concentreerden zich op een specifieke uitdaging: het onderscheiden tussen materialen waar ionen op hun plek vastzitten en materialen waar ze vrij stromen. Ze verzamelden gegevens over duizenden verschillende vaste stoffen die ionen geleiden. Voor elk materiaal voerden ze een korte computersimulatie uit die slechts vijf picoseconden duurde—een tijd die zo kort is dat het een biljoenste van een seconde is. Uit dit vluchtige snapshot extraheerden ze twee hoofdtypen informatie. Ten eerste keken ze naar de vibrationele dichtheid van toestanden, wat in essentie een kaart is van hoe de atomen in het materiaal trillen of schudden bij verschillende snelheden. Ten tweede onderzochten ze de radiale distributiefunctie, een maatstaf voor hoe de ionen ten opzichte van elkaar zijn uitgespreid, wat onthult of ze dicht opeengepakt zijn in een rigide structuur of vrijer bewegen zoals een vloeistof.

Om deze gegevens te interpreteren, gebruikte het team een type kunstmatige intelligentie genaamd een neuraal netwerk. Ze leerden dit netwerk om naar de vingerafdrukken van de korte simulatie te kijken en de uiteindelijke, langetermijnsnelheid van de ionen te raden. Het netwerk kreeg ook informatie over de chemie van het materiaal, zoals welke elementen aanwezig zijn en hoe deze gebonden zijn. Het doel was om te zien of het model de verborgen regels kon leren die de snelle, chaotische trillingen van atomen verbinden met de langzame, gestage drift van ionen. De resultaten waren opmerkelijk. Het model kon de uiteindelijke ionsnelheid met een hoge mate van nauwkeurigheid voorspellen, met een gemiddelde fout van minder dan een halve eenheid op een logaritmische schaal, wat een zeer krappe marge is voor een zo complex fysisch proces. Het rangschikte de materialen correct, waarbij het de snelle geleiders en de trage geleiders met een sterke correlatie identificeerde.

Een van de belangrijkste ontdekkingen was dat het model niet hoefde te wachten tot de ionen daadwerkelijk van de ene naar de andere plek sprongen om een voorspelling te doen. In veel van de materialen, vooral de trage, zouden de ionen tijdens een venster van vijf picoseconden misschien helemaal niet bewegen. Toch kon het model toch voorspellen hoe snel ze zouden bewegen als ze genoeg tijd zouden krijgen. Dit komt omdat de korte simulatie de "stijfheid" van de omgeving rond de ionen vastlegde. In snel geleidende materialen zijn de atomen die de bewegende ionen omringen losjes gekoppeld, waardoor de ionen er gemakkelijk doorheen kunnen glippen. In trage materialen zijn de omringende atomen stevig op hun plaats vergrendeld, wat een rigide kooi creëert die de ionen gevangen houdt. Het model leerde deze subtiele verschillen in de vibrationele en structurele patronen te lezen, en zag effectief het potentieel voor beweging voordat het daadwerkelijk plaatsvond.

De onderzoekers onderzochten ook hoe de bewegende ionen interageren met het omliggende raamwerk van het kristal. Ze ontdekten dat in materialen waar ionen snel bewegen, de trillingen van de bewegende ionen grotendeels onafhankelijk zijn van de trillingen van de omringende atomen. De ionen zijn ontkoppeld en bewegen op hun eigen manier. In contrast hiermee zijn de bewegende ionen in trage materialen nauw gesynchroniseerd met het omliggende raamwerk, vergrendeld in een gedeeld ritme dat hen verhindert te ontsnappen. Deze ontkoppeling is een sleutelsignatuur van een goede geleider. De studie bevestigde ook dat de rangschikking van ionen, gemeten aan de hand van hoe waarschijnlijk het is dat ze op bepaalde afstanden van elkaar worden gevonden, een specifiek patroon volgt in snelle geleiders dat lijkt op een vloeistof, terwijl trage geleiders een rigide, solide-achtige orde behouden.

Door deze vibrationele, structurele en chemische aanwijzingen te combineren, creëerde het team een universeel hulpmiddel voor het screenen van materialen. In plaats van simulaties uit te voeren die dagen duren om te convergeren, kunnen onderzoekers nu een simulatie van slechts vijf picoseconden draaien en een betrouwbare voorspelling krijgen van de prestaties van het materiaal. Deze aanpak bespaart niet alleen tijd; het verandert de strategie voor ontdekking. Het stelt wetenschappers in staat om snel duizenden slechte kandidaten weg te filteren en hun middelen te richten op de weinige materialen die veelbelovend zijn. Het model werd getest op een dataset van meer dan vierduizend materialen en bleek robuust over een breed scala aan temperaturen en chemische samenstellingen. Het voorspelde succesvol de ionsnelheid voor materialen die bekend stonden als snelle geleiders, evenals voor die die bekend stonden als trage geleiders, zonder vooraf het antwoord te kennen.

De implicaties voor de ontwikkeling van batterijen zijn aanzienlijk. Het vinden van nieuwe solid-state elektrolyten was een traag proces omdat de computationele kosten van het testen van elke kandidaat te hoog waren. Met deze nieuwe methode wordt het screeningsproces snel en efficiënt. De onderzoekers toonden aan dat hun model de ionsnelheid kon voorspellen met een nauwkeurigheid die vergelijkbaar is met het draaien van een veel langere simulatie, maar in een fractie van de tijd. Dit betekent dat de zoektocht naar het perfecte materiaal voor solid-state batterijen kan verschuiven van een traag, handmatig proces naar een snel, geautomatiseerd proces. Het werk benadrukt dat het antwoord op een traag, complex probleem vaak te vinden is in de snelle, emergente patronen van het systeem, mits men weet hoe men ze moet lezen. De studie beweert niet dat het probleem van batterijontwerp volledig is opgelost, maar het biedt een krachtige nieuwe lens waarmee men naar het enorme landschap van potentiële materialen kan kijken, waardoor een jarenlange zoektocht wordt omgezet in een kwestie van dagen of zelfs uren.