Disentangling the Coupled Origins of Li+ Ion Transport in LATP through Hierarchical Modeling

Batterijen zijn de stille motoren van het moderne leven en voeden alles, van smartphones tot elektrische auto's, maar het hart van elke batterij is een eenvoudig, hardnekkig probleem: hoe verplaats je geladen deeltjes snel en veilig van de ene naar de andere kant. In traditionele batterijen wordt deze taak uitgevoerd door een vloeistof die kan lekken, in brand kan raken of in de loop van de tijd kan degraderen. Wetenschappers zoeken al lang naar een vast alternatief, een keramisch materiaal dat fungeert als een snelweg voor ionen — kleine geladen atomen — terwijl het stabiel en niet-brandbaar blijft. Een van de meest veelbelovende kandidaten voor deze rol is een familie van materialen genaamd NASICON, wat staat voor een specifiek type kristalstructuur dat bekend staat om zijn driedimensionale tunnels. Binnen deze familie heeft een materiaal bekend als LATP speciale aandacht getrokken omdat het chemisch aangepast kan worden om meer ionen vast te houden, wat het theoretisch een betere geleider maakt. Echter, decennialang heeft een verwarrende tegenstrijdigheid onderzoekers in verwarring gebracht: wanneer wetenschappers een specifiek ingrediënt aan LATP toevoegen om het aantal ionen te verhogen, wordt het vermogen van het materiaal om elektriciteit te geleiden eerst beter, maar daarna, verrassend genoeg, weer slechter. Het begrijpen van waarom dit gebeurt is cruciaal, want zonder die kennis kunnen ingenieurs de volgende generatie veilige, hoogwaardige batterijen niet ontwerpen.

Het mysterie ligt in de complexe dans van atomen binnen het kristal. Om LATP beter te laten geleiden, vervangen onderzoekers sommige titaniumatomen in de structuur door aluminium. Deze vervanging dwingt het kristal om extra lithiumionen te creëren om de elektrische lading te balanceren. Intuitief zou men kunnen denken dat het simpelweg toevoegen van meer lithiumionen het materiaal een betere geleider maakt, zoals het toevoegen van meer auto's aan een snelweg. Toch laten experimenten zien dat na een bepaald punt, het toevoegen van meer aluminium en lithium het verkeer juist vertraagt. Het probleem is dat in een echt kristal het veranderen van de chemie alles tegelijk verandert: het aantal bewegende ionen verandert, de chemische omgeving waar ze doorheen bewegen verandert, en de vorm van het kristalrooster zelf verschuift. Het ontwarren van welke van deze factoren verantwoordelijk is voor de versnelling en welke voor de vertraging, is met traditionele experimenten of standaard computermodellen bijna onmogelijk geweest, omdat deze vaak overweldigd worden door het enorme aantal mogelijke atomaire rangschikkingen.

Om dit puzzelstuk op te lossen, wendde een team onderzoekers aan de Universiteit van Uppsala zich tot een nieuwe soort computationele strategie. In plaats van te proberen het hele rommelige systeem in één keer te simuleren, bouwden zij een hiërarchie van modellen, waarbij elk model een laag van de fysieke realiteit toevoegde om te zien hoe de stukjes in elkaar passen. Ze begonnen met het gebruik van een krachtig, vooraf getraind machine-learning model — een type kunstmatige intelligentie dat de basisregels van hoe atomen interageren heeft geleerd van een enorme database van materialen. Ze verfijnden dit model met gegevens van slechts één specifieke versie van LATP. Opmerkelijk genoeg stelde deze enkele aanpassing het model in staat om het gedrag van het materiaal accuraat te voorspellen over het gehele bereik van chemische samenstellingen, van het hebben van geen aluminium tot het hebben van veel aluminium. Deze efficiëntie stelde hen in staat om enorme, ongeordende kristallen te simuleren die met traditionele methoden onmogelijk te bestuderen zouden zijn, waardoor ze effectief een digitale microscoop creëerden met de kracht om te zien hoe ionen over lange perioden bewegen.

De onderzoekers trokken vervolgens systematisch de lagen van complexiteit af om de oorzaken te isoleren. Eerst bekeken ze de kristalstructuur alsof het een rigide, onveranderlijke kooi was, en vroegen ze zich af hoe de aluminiumatomen alleen het pad van een enkel lithiumion beïnvloedden. Ze ontdekten dat bij lage niveaus de aluminiumatomen werkten als vallen, die diepe energiedieptes creëerden die de lithiumionen op hun plaats hielden en vertraagden. Naarmate ze meer aluminium toevoegden, begonnen deze vallen te overlappen, waardoor uiteindelijk een verbonden netwerk van paden met lage energie ontstond die de ionen vrijer lieten bewegen. Echter, dit "framework"-effect alleen kon het volledige verhaal niet verklaren. Wanneer ze de lithiumionen terug in de simulatie voegden en ze met elkaar lieten interageren, ontstond er een ander beeld. De aanwezigheid van extra lithiumionen verlaagde de energiebarrières voor beweging, waardoor de ionen de vallen die door het aluminium waren gecreëerd, konden passeren. Deze ion-tot-ion interactie was de primaire drijfveer achter de initiële toename in geleidbaarheid.

Het laatste puzzelstuk kwam toen de onderzoekers de kristalstructuur lieten ademen en van vorm lieten veranderen, in plaats van deze rigide te houden. Ze ontdekten dat naarmate het aluminiumgehalte toenam, de kristalcel zelf kromp en de bindingen tussen de lithiumionen en de omringende zuurstofatomen sterker werden. Deze verstrakking van de structuur, gecombineerd met de verstijving van de lokale omgeving, creëerde een flessenhals die de beweging van de ionen belemmerde. Het was pas toen ze de krimpende celvolumes, de sterkere chemische bindingen en de dynamische beweging van de frameworkatomen combineerden, dat de computermodellen exact de experimentele trend reproduceerden: een stijging in geleidbaarheid gevolgd door een scherpe daling. De studie bevestigt dat de initiële prestatieverbetering komt door de extra lithiumionen die elkaar helpen bewegen, terwijl de latere daling wordt veroorzaakt door het feit dat het materiaal fysiek krimpt en zijn grip op die ionen verstevigt.

Dit werk doet meer dan alleen een specifiek mysterie over één batterijmateriaal oplossen; het demonstreert een nieuwe manier om complexe materialen te begrijpen. Door een machine-learning fundatiemodel te gebruiken dat met minimale gegevens kan worden aangepast, hebben de onderzoekers aangetoond dat het mogelijk is om uitgestrekte, ongeordende chemische ruimtes te verkennen met bijna perfecte nauwkeurigheid. Deze aanpak stelt wetenschappers in staat om de verstrengelde effecten van chemie, structuur en wanorde te scheiden, waardoor de ware mechanismen die het gedrag van materialen beheersen, aan het licht komen. Voor de toekomst van energieopslag betekent dit dat onderzoekers nu met meer vertrouwen solide elektrolyten kunnen ontwerpen, wetende precies welke chemische veranderingen de ionentransport zullen versnellen en welke het zullen vertragen, wat de weg vrijmaakt voor veiligere en efficiëntere batterijen.