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

Este estudo emprega potenciais interatômicos de aprendizado de máquina para revelar que cátodos de sal de rocha desordenados ricos em Mn sofrem uma transformação de fase em uma estrutura do tipo espinélio impulsionada pela migração de metais de transição em vez da formação de Mn$^{2+}$, resultando em cinética de transporte de lítio aprimorada e maior capacidade.

O essencial

Imagine uma bateria como uma cidade movimentada onde pequenos íons de lítio são os passageiros, e o cátodo da bateria é um edifício de apartamentos enorme e lotado. Durante anos, cientistas têm tentado construir edifícios melhores para esses passageiros. Um design promissor é chamado de "Rocha Salgada Desordenada" (DRX - Disordered Rocksalt). É como um complexo de apartamentos caótico onde os residentes (manganês, titânio e outros átomos) são jogados aleatoriamente, sem regras específicas sobre quem vive onde.

O problema é que, nesse edifício caótico, os passageiros de lítio às vezes ficam presos, tornando a bateria lenta e menos potente. No entanto, experimentos recentes mostraram que algo mágico acontece: após a bateria ser usada algumas vezes (carregada e descarregada), esse edifício caótico se rearranja espontaneamente em uma estrutura mais organizada, do tipo "semelhante a espinélio" (spinel-like). Esta nova estrutura permite que o lítio se mova muito mais rápido, impulsionando o desempenho da bateria.

A grande questão era: Como esse edifício bagunçado se limpa magicamente e o que exatamente está acontecendo lá dentro?

Foi aqui que os pesquisadores, liderados por Peichen Zhong e Gerbrand Ceder, intervieram. Eles não podiam observar isso acontecer na vida real porque acontece rápido demais e em uma escala pequena demais para os olhos humanos. Em vez disso, eles construíram um gêmeo digital superinteligente deste edifício usando um tipo de inteligência artificial chamada "Potencial Interatômico de Aprendizado de Máquina" (MLIP - Machine Learning Interatomic Potential).

Aqui está uma divisão simples do que eles descobriram:

1. O "Arquiteto Inteligente" (O Modelo de IA)

As simulações computacionais tradicionais são como tentar calcular o peso de cada tijolo de um edifício à mão — leva tempo demais e é muito lento para ver o quadro geral. Os pesquisadores usaram uma IA pré-treinada (chamada CHGNet) que já havia aprendido as leis básicas da física para muitos materiais. Eles então "ajustaram" essa IA especificamente para o seu material de bateria rico em manganês.

Pense nesta IA como um superarquiteto que pode prever exatamente como cada átomo se moverá e reagirá, mas ela faz isso milhões de vezes mais rápido do que os métodos tradicionais. Isso permitiu que eles executassem uma simulação que durou um "nanossegundo" (um bilionésimo de segundo), o que é uma eternidade no mundo dos átomos.

2. O Grande Rearranjo (Transformação de Fase)

Eles começaram sua simulação com o edifício caótico e desordenado. Enquanto observavam o "filme" do movimento dos átomos:

• A Migração: Os átomos de manganês (os móveis pesados em nossa analogia de apartamento) começaram a se deslocar. Eles se moveram de seus lugares aleatórios para fileiras específicas e organizadas.
• O Gatilho: Uma teoria comum era que esses átomos só se moviam porque mudavam sua carga elétrica (como uma pessoa mudando seu humor). No entanto, a simulação de IA revelou uma reviravolta: Os átomos começaram a se mover antes de mudarem totalmente sua carga.
• O Resultado: Os átomos de manganês se organizaram em um padrão específico (a fase "semelhante a espinélio" ou fase $\delta$). Uma vez estabelecido esse padrão, os átomos se acomodaram em um novo estado de menor energia. É como um quarto bagunçado que de repente se transforma em um layout perfeito e organizado porque os móveis encontraram um encaixe mais confortável.

3. O Efeito "Rodovia" (Por que é melhor)

A descoberta mais importante foi sobre as "estradas" dentro do edifício.

• No edifício bagunçado, os passageiros de lítio tinham que navegar por caminhos estreitos e bloqueados.
• No novo edifício organizado, os átomos de manganês se afastaram para criar rodovias largas e abertas (chamadas de canais "0-TM") onde existem apenas lítio e espaço vazio.
• A Analogia: Imagine um corredor lotado onde as pessoas estão bloqueando o caminho. Se as pessoas se afastarem para os lados e formarem uma fila organizada, um caminho claro se abre para os socorristas de emergência (íons de lítio) passarem voando. É por isso que a bateria se torna mais rápida e retém mais energia.

4. O Mistério da Carga

Os pesquisadores também observaram o "humor" (estado de valência) dos átomos de manganês. Eles descobriram que, embora alguns átomos de manganês tenham mudado sua carga (tornando-se "Mn2+"), isso aconteceu depois que a estrutura já havia começado a se organizar.

• Teoria Antiga: Os átomos mudavam seu humor primeiro, o que os forçava a se mover.
• Nova Descoberta: Os átomos se moveram primeiro para organizar o edifício e, então, seus humores mudaram para combinar com a nova ordem. A organização causou a mudança de carga, e não o contrário.

5. O Desempenho da Bateria

Finalmente, eles simularam como a bateria se comportaria eletricamente.

• O Antigo Edifício Bagunçado: Quando você tentava carregar, a voltagem (a "pressão" que empurra o lítio) subia e descia erraticamente, como uma viagem em estrada esburacada.
• O Novo Edifício Organizado: A voltagem tornou-se suave e constante, como um cruzeiro em uma rodovia.
• A Capacidade: A nova estrutura podia conter mais lítio do que a bagunçada original, e podia fazer isso sem o estresse estrutural que normalmente degrada as baterias ao longo do tempo.

Resumo

Em suma, este artigo usou uma IA superveloz para observar um material de bateria caótico se reorganizar em uma estrutura altamente eficiente e ordenada. Eles descobriram que os átomos se movem para criar um layout melhor primeiro, e as mudanças elétricas seguem depois. Este novo layout cria "rodovias" para o lítio, tornando a bateria mais rápida, forte e estável. É um pouco como observar uma multidão caótica de pessoas formando espontaneamente uma fila organizada, criando um caminho livre para que todos se movam mais rápido.

Resumo técnico

Resumo Técnico: Modelagem de Transformações de Fase em Cátodos de Rochas-sal Desordenados Ricos em Mn com Potenciais Interatômicos de Aprendizado de Máquina

Definição do Problema
Materiais de cátodo de rocha-sal desordenada (DRX) ricos em Mn, como o Li$_x$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$, exibem uma transformação de fase in-situ benéfica de uma estrutura desordenada para uma fase parcialmente desordenada do tipo espinélio (denominada fase $\delta$) durante o ciclagem eletroquímica. Esta transformação está associada ao aumento da capacidade e da capacidade de taxa. No entanto, os mecanismos em escala atômica que impulsionam essa transição — especificamente a dinâmica acoplada da migração de metais de transição (TM), evolução do estado de carga e ordenação catiônica — são difíceis de modelar. Métodos convencionais ab initio são computacionalmente proibitivos para as escalas de tempo e comprimento necessárias, enquanto modelos tradicionais de expansão de cluster (CE) carecem de expressividade para capturar processos dinâmicos complexos acoplados à carga e barreiras de migração em diversos ambientes locais.

Metodologia
Os autores empregaram um fluxo de trabalho computacional de múltiplos estágios centrado em um Potencial Interatômico de Aprendizado de Máquina (MLIP) refinado baseado na arquitetura CHGNet.

1. Construção do Conjunto de Dados: Uma amostragem abrangente do espaço químico Li–Mn–Ti–O–F foi realizada utilizando cálculos r2SCAN-DFT. Isso incluiu:
   • Compostos estáveis existentes do Materials Project e conjuntos de dados DRX-CE anteriores.
   • Estruturas parcialmente desordenadas geradas customizadamente com graus variados de ordenação do tipo espinélio, criadas via simulações de Monte Carlo (MC) e protocolos de troca de sítios.
   • Amostragem específica de caminhos de migração de TM (octaédrico-tetraédrico-octaédrico, ou o-t-o, e caminhos diretos o-o) em vários níveis de delitiação para capturar eventos de alta barreira energética.
2. Treinamento do Modelo: Um "Trial-CHGNet" foi inicialmente ajustado em trajetórias de relaxação. Subsequentemente, um "Sample-CHGNet" foi parametrizado usando cálculos estáticos de DFT de caminhos de migração amostrados e trajetórias de MD para aprimorar a amostragem de configurações termicamente excitadas. Finalmente, um "Product-CHGNet" foi ajustado em um conjunto de treinamento de 88.852 estruturas, alcançando erros de teste de ~2 meV/átomo (energia) e ~68 meV/Å (força).
3. Simulação: Simulações de dinâmica molecular (MD) informadas por carga foram conduzidas em um sistema Li$_{0.6}$Mn$_{0.8}$Ti$_{0.1}$O$_{1.9}$F$_{0.1}$ delitiado a 1273 K. O MLIP utilizou momentos magnéticos previstos como um proxy para a carga atômica para inferir estados de valência (Mn$^{2+}$, Mn$^{3+}$, Mn$^{4+}$) dinamicamente.
4. Análise Eletroquímica: Perfis de voltagem para a fase $\delta$ transformada, a fase DRX original e uma fase espinélio totalmente ordenada foram calculados através da construção de envolves convexos (convex hulls) de configurações de vacância de Li e análise de reações de intercalação.

Principais Resultados

• Mecanismo de Transformação de Fase: As simulações de MD capturaram com sucesso a transição de uma rocha-sal desordenada para uma fase $\delta$ do tipo espinélio. A transformação é termodinamicamente favorecida, evidenciada por uma redução de energia de ~60 meV/ânion.
• Sequência de Migração e Ordenação: O estudo revela uma sequência específica de eventos:
  • A migração de Mn inicia-se primariamente como Mn$^{3+}$ movendo-se através de sítios tetraédricos, ocorrendo antes do estabelecimento da ordenação de longo alcance do tipo espinélio.
  • A emergência de Mn$^{2+}$ tetraédrico é uma consequência da ordenação do tipo espinélio, e não o gatilho para a migração de cátions.
  • A estrutura transformada exibe uma maior concentração de canais de face compartilhada sem metal de transição (0-TM) (sítios tetraédricos cercados apenas por Li ou vacâncias), que são críticos para a percolação de Li.
• Assinaturas Eletroquímicas:
  • Ao contrário do espinélio ordenado Li$_x$MnO$_2$, que exibe uma reação de duas fases com um degrau de voltagem agudo (>1 V) após a delitiação abaixo de $x \approx 0.6$, a fase $\delta$ mantém um comportamento de solução sólida com um pseudo-platô em baixas voltagens.
  • A fase $\delta$ demonstra uma maior capacidade de Li derivada da reação de conversão 0-TM para tetraédrico-Li em comparação com as fases DRX e espinélio totalmente ordenado.
  • A fase DRX mostra capacidade restrita em torno de 3 V devido à falta de canais 0-TM e uma inclinação de voltagem mais íngreme.

Significância e Alegações
O artigo afirma fornecer insights em nível atômico sobre a transformação de fase no estado sólido em cátodos DRX ricos em Mn e sua relação direta com a eletroquímica experimental. Os autores destacam que seu trabalho demonstra o potencial dos MLIPs, especificamente o CHGNet informado por carga, para modelar materiais óxidos complexos onde a dinâmica de carga e a evolução estrutural estão fortemente acopladas. Ao resolver as discrepâncias de escala de tempo entre a desproporção de carga e o salto iônico, o estudo desafia a noção anterior de que a formação de Mn$^{2+}$ gatilha a migração, sugerindo que ela segue o estabelecimento da ordenação do tipo espinélio. O trabalho oferece uma compreensão mecanística de como a desordem parcial de cátions elimina reações de duas fases prejudiciais enquanto aumenta a cinética de transporte de Li e a capacidade, validando a utilidade dos MLIPs para o estudo de materiais de energia complexos.