BatteryMat: a hierarchical machine-learning and DFT framework for average-voltage screening of lithium-ion cathode materials

Resumo Técnico do BatteryMat: Um Framework Hierárquico de ML e DFT para Triagem de Cátodos

Definição do Problema
A descoberta de novos materiais de cátodo de íon-lítio é dificultada pelo compromisso entre precisão e taxa de processamento (throughput). A Teoria do Funcional da Densidade (DFT) fornece previsões de voltagem precisas, mas é computacionalmente proibitiva para a triagem dos espaços químicos combinatórios de bancos de dados modernos (ex: JARVIS-DFT, Alexandria). Por outro lado, os substitutos de aprendizado de máquina (ML) puros são rápidos, mas frequentemente carecem de consistência termodinâmica e não podem garantir a validade dos candidatos classificados no topo. Além disso, existe um erro sistemático de aproximadamente 1 V em muitos estudos de alto rendimento devido a incompatibilidades entre os conjuntos de bases de ondas planas usados para cálculos de cátodo e as energias de referência de metal-lítio tabeladas.

Metodologia
Os autores introduzem o BatteryMat, um framework hierárquico de três níveis projetado para priorizar estruturas existentes de bancos de dados, em vez de gerar novas estruturas. O pipeline procede em ordem de custo computacional crescente:

1. Tier 1: Predição de Passagem Única por ML (ALIGNN):

   • Um regressor escalar baseado em uma Rede Neural de Gráfico de Linha Atômica (ALIGNN) prevê a voltagem média de delitiação diretamente da estrutura litiada relaxada.
   • Dados de Treinamento: O modelo é treinado em 7.610 estruturas contendo lítio do JARVIS-DFT. Crucialmente, os rótulos não são voltagens brutas de DFT, mas sim gerados via um protocolo de delitiação ALIGNN-FF (campo de força) sequencial desenvolvido internamente. Este protocolo identifica a lacuna de lítio de menor energia em cada etapa, remove-a e faz a média das voltagens resultantes de cada etapa.
   • Desempenho: O preditor ALIGNN destila o protocolo de campo de força de múltiplas etapas em uma única passagem direta com um Erro Médio Absoluto (MAE) de 0,17 V e um $R^2$ de 0,94 em relação aos rótulos do campo de força.

2. Tier 2: Perfil de Campo de Força (ALIGNN-FF):

   • Candidatos que sobrevivem ao primeiro nível passam por um perfil de delitiação passo a passo gerado pelo campo de força universal ALIGNN-FF.
   • Este nível traça a curva completa de voltagem, identificando composições intermediárias estáveis e classificando os sítios de vacância de lítio por energia. Ele roda em segundos por etapa em uma GPU.

3. Tier 3: Validação Automatizada por DFT:

   • Os candidatos classificados no topo são validados usando cálculos de DFT de supercélula automatizados (VASP).
   • Seleção de Funcional: O funcional de troca-correlação é selecionado automaticamente com base no grupo espacial: PBE+U para estruturas de ligação 3D (olivina, espinélio) e optB88-vdW+U para estruturas em camadas para capturar corretamente a dispersão intercamadas.
   • Correção de Referência: A energia de referência do metal-lítio é recomputada internamente usando o mesmo conjunto de bases de ondas planas, pseudopotencial (Li_sv PAW) e esquema de smearing que as corridas do cátodo. Isso elimina o deslocamento sistemático de ~1 V encontrado quando se utilizam valores tabelados incompatíveis.
   • Ordenação Magnética: Para garantir a convergência, o padrão de momento magnético antiferromagnético (AFM) de bloco é herdado através das etapas de delitiação em vez de ser regenerado, preservando a ordenação de sub-redes.

Resultos Principais

• Precisão de Benchmark: O framework foi testado em quatro químicas comerciais estequiométricas (LiFePO₄, LiMnPO₄, LiMn₂O₄, LiCoO₂) e uma variante em camadas não estequiométrica.
  • O nível de DFT reproduz as voltagens médias experimentais dentro de 0,3 V para os quatro materiais estequiométricos (ex: o erro de LiMn₂O₄ é de +0,03 V).
  • As capacidades volumétricas teóricas são reproduzidas dentro de 5%.
  • A entrada em camadas não estequiométrica (JVASP-144791) apresentou um resíduo maior (+0,70 V), atribuído à incompatibilidade estequiométrica com o NMC-111 comercial e à incapacidade do padrão GGA+U de capturar o redox de oxigênio em delitiação profunda.
• Saída de Triagem:
  • Aplicado ao pool de JARVIS-DFT contendo lítio (~7.500 entradas), o pipeline identificou 71 candidatos após filtragem por voltagem (3,0–4,5 V), capacidade (>20 mAh/g) e estabilidade.
  • Aplicado ao banco de dados Alexandria (~4,49 milhões de estruturas), uma variante de energia de formação do protocolo reduziu o pool para 213 candidatos.
  • Os principais candidatos incluem hospedeiros de polianion fosfato e fluoreto (ex: LiCr₂P₂O₈, Rb₂LiFeF₆), que não foram inseridos na busca, demonstrando a capacidade do framework de redescobrir químicas de alta voltagem conhecidas ou revelar novos líderes.
• Transferibilidade: O protocolo ALIGNN-FF foi testado em outros íons (Na, Mg, Al, K, Ca, Zn) em hospedeiros de óxido em camadas, recuperando qualitativamente os compromissos esperados entre voltagem e capacidade, embora a validação quantitativa de DFT para esses íons permaneça como trabalho futuro.

Significância e Alegações
O artigo afirma que o BatteryMat consegue preencher a lacuna entre a triagem de alto rendimento e a precisão quantitativa ao:

1. Destilar Complexidade: Colapsar um protocolo de campo de força de $N_{Li}$ etapas em uma predição de ML de passagem única com alta fidelidade (MAE de 0,17 V).
2. Corrigir Erros Sistemáticos: Abordar explicitamente o deslocamento de voltagem de ~1 V causado por incompatibilidades de base de dados nos referências de lítio, um problema comum na literatura anterior.
3. Automatizar a Física: Implementar a seleção automática de funcionais (vdW vs. não-vdW) e a herança de momentos magnéticos para garantir uma convergência de DFT robusta sem intervenção manual.
4. Priorização em vez de Geração: O framework é projetado para classificar e priorizar estruturas de bancos de dados existentes para validação, em vez de gerar novas estruturas cristalinas. Os autores enfatizam que os 71 candidatos do JARVIS e os 213 da Alexandria são "líderes priorizados aguardando validação por DFT", e não cátodos confirmados como novos.

O trabalho posiciona o nível de ML não como um benchmark final, mas como uma frente de carga que permite que o nível de DFT — mais caro — foque em um número gerenciável de candidatos de alto potencial, tornando assim a descoberta de cátodos em larga escala viável.