Machine Learning-Guided Screening of Advantageous Solvents for Solid Polymer Electrolytes in Lithium Metal Batteries

Resumo Técnico: Triagem de Solventes Vantajosos para Eletrólitos Poliméricos Sólidos em Baterias de Lítio-Metal Orientada por Aprendizado de Máquina

Definição do Problema
Os eletrólitos poliméricos sólidos (SPEs) são críticos para o avanço de baterias de lítio-metal seguras e de alta energia devido à sua processabilidade favorável e interfaces de eletrodos estáveis. No entanto, eles frequentemente sofrem com condutividade iônica e resistência mecânica inferiores em comparação com seus equivalentes inorgânicos. Embora estratégias como a incorporação de cargas orgânicas existam, a introdução de solventes orgânicos permanece um método mais simples e amplamente adotado para aumentar a dissociação de sais de lítio e estabilizar interfaces. Um desafio significativo reside na complexidade da seleção de solventes: solventes residuais traço (seja adicionados deliberadamente ou retidos inadvertidamente da síntese) impactam significativamente as propriedades do eletrólito e da interface. Atualmente, a seleção de solventes ideais depende fortemente de tentativa e erro empírica ou mistura empírica de solventes, o que é custoso e carece de um arcabouço teórico unificado. Além disso, as abordagens de aprendizado de máquina existentes para a descoberta de materiais muitas vezes permanecem puramente teóricas, carecendo de validação experimental, ou dependem fortemente da qualidade dos dados sem estabelecer ligações robustas entre estruturas eletrônicas e desempenho macroscópico.

Metodologia
Os autores propõem um paradigma integrado combinando cálculos de Teoria do Funcional da Densidade (DFT) de alto rendimento, aprendizado de máquina (ML) e validação experimental para triar e projetar solventes vantajosos para SPEs.

1. Triagem de Alto Rendimento via DFT: Um conjunto de dados de aproximadamente 10.000 solventes orgânicos contendo C, H, O, N e F foi extraído do banco de dados ChemSpider. Cálculos de alta precisão de DFT foram realizados para determinar descritores eletrônicos fundamentais (níveis de energia HOMO e LUMO) e propriedades macroscópicas: polarizabilidade ($\alpha$), momento de dipolo ($\mu$), constante dielétrica ($\varepsilon$) e número do doador (DN). A constante dielétrica foi calculada via equação de Clausius-Mossotti, e o DN foi determinado por energias de interação com o ácido de Lewis SbCl$_5$.
2. Modelagem de Aprendizado de Máquina: Para estabelecer modelos preditivos ligando estruturas eletrônicas a propriedades macroscópicas, os autores empregaram uma estratégia de ML de múltiplos níveis:
   • XGBoost e SISSO: Utilizados para análise de importância de características e triagem inicial. Esses modelos interpretáveis confirmaram que atributos da estrutura eletrônica (especificamente as lacunas HOMO-LUMO) contribuem com mais de 65% para a predição de constantes dielétricas.
   • Rede Neural Convolucional de Grafo Cristalino (CGCNN): Adaptada para sistemas moleculares sob condições de contorno periódicas para capturar interações não lineares complexas. Este modelo alcançou alta precisão preditiva ($R^2$ = 0,91 para $\mu$, 0,97 para $\varepsilon$ e 0,98 para a lacuna HOMO-LUMO).
   • Validação: Os modelos passaram por uma rigorosa validação, incluindo validação cruzada de 50 dobras, testes de múltiplas sementes e y-scrambling, confirmando que os modelos aprenderam relações estrutura-propriedade genuínas em vez de apenas memorizar dados.
3. Critérios de Triagem e Seleção de Candidatos: Com base nos insights de ML, critérios de triagem quantitativos foram estabelecidos: HOMO < –6 eV, LUMO > –1 eV, lacuna HOMO-LUMO > 5 eV, $\varepsilon$ entre 20–50 e $\mu$ entre 3–6 D. Esses parâmetros visam equilibrar estabilidade oxidativa/redutiva, dissociação de sal e interações íon-solvente.
4. Validação Experimental: Dois principais candidatos, 2,2,2-trifluoro-N,N-dimetilacetamida (TFDMA) e o recém-proposto N-metoxi-N-metil-2,2,2-trifluoroacetamida (TFOMA), foram selecionados. Quantidades traço desses solventes foram incorporadas em uma matriz de poli(vinilideno fluoreto-co-hexafluoropropileno) (PVDF-HFP). Os SPEs resultantes foram caracterizados quanto à estabilidade eletroquímica, condutividade iônica, números de transferência e desempenho de ciclagem em células completas com cátodos de LiFePO$_4$ e LiNi$_{0,9}$Co$_{0,05}$Mn$_{0,05}$O$_2$ (NCM91).

Principais Resultados

• Correlações Estrutura-Propriedade: O estudo confirmou uma correlação universal onde maiores momentos de dipolo e polarizabilidades relativas geralmente correspondem a constantes dielétricas mais altas. Uma dependência não linear foi observada entre a lacuna HOMO-LUMO e as propriedades macroscópicas: as propriedades diminuem bruscamente conforme a lacuna aumenta de 0,5 para 2 eV, e então se estabilizam.
• Desempenho do Modelo: O modelo CGCNN conseguiu capturar a natureza de "caixa preta" do aprendizado profundo, com embeddings latentes mostrando fortes correlações com descritores de estrutura eletrônica. A análise SHAP confirmou o papel dominante dos orbitais de fronteira na determinação das constantes dielétricas e momentos de dipolo.
• Identificação de Candidatos: TFOMA e TFDMA foram identificados como candidatos superiores. O TFOMA, apresentando um grupo metoxi adicional, foi previsto para potencializar as vias iônicas.
• Desempenho Experimental:
  • Estabilidade: O PVDF-HFP@TFOMA exibiu uma ampla janela de estabilidade eletroquímica de 4,5 V, superando o TFDMA (4,25 V).
  • Condutividade: A 30°C, os SPEs baseados em TFOMA alcançaram uma condutividade iônica de 5,5 $\times$ 10$^{-4}$ S cm$^{-1}$, significativamente maior que o TFDMA (1,0 $\times$ 10$^{-4}$ S cm$^{-1}$). A energia de ativação para a migração de Li$^+$ foi menor para o TFOMA (0,29 eV) em comparação ao TFDMA (0,45 eV).
  • Número de Transferência: Eletrólitos baseados em TFOMA demonstraram um alto número de transferência de Li$^+$ de 0,78.
  • Estabilidade de Ciclagem: Em células de LiFePO$_4$, o sistema TFOMA reteve 86,7% de capacidade após 500 ciclos a 2C. Em células de NCM91 de alta voltagem, reteve 98,7% de capacidade após 200 ciclos a 2C. Estes resultados superaram os do TFDMA e de outros solventes comuns como DMF, NMP e DMSO.
  • Mecanismo: Simulações de dinâmica molecular sugeriram que o grupo metoxi no TFOMA facilita a formação de estruturas de alta concentração localizada e cria novos canais iônicos, reduzindo as interações coulombianas Li$^+$-ânion.

Significância e Alegações
O artigo afirma estabelecer um paradigma universal baseado em dados para a triagem de solventes em eletrólitos poliméricos sólidos. Ao integrar DFT de alto rendimento, algoritmos avançados de aprendizado de máquina e validação experimental, os autores demonstram um caminho para projetar racionalmente eletrólitos que equilibram transporte de íons, estabilidade eletroquímica e durabilidade de ciclagem. O estudo destaca que solventes residuais traço, quando adequadamente selecionados, não são meramente impurezas, mas podem ser projetados para melhorar o desempenho da bateria. A identificação e validação bem-sucedidas do TFOMA como um solvente superior para matrizes de PVDF-HFP ressaltam a eficácia desta abordagem integrada. Os autores postulam que esta metodologia pode ser estendida para outros designs de eletrólitos avançados, acelerando o desenvolvimento de baterias de lítio-metal mais seguras e de alta energia. O trabalho faz a ponte entre as previsões teóricas de estrutura eletrônica e o desempenho prático da bateria, oferecendo um arcabouço robusto para a descoberta de materiais de próxima geração.