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

Na busca por construir baterias melhores, cientistas procuram materiais que possam mover íons — átomos carregados como o lítio — de forma rápida e eficiente. Imagine um bloco sólido de material onde esses íons possam deslizar com a mesma facilidade com que o fazem em um líquido. Este é o "santo graal" das baterias de estado sólido, que prometem ser mais seguras e potentes do que as baterias de íon-lítio de nossos telefones e carros atuais. A chave para encontrar esses materiais reside em entender quão rápido os íons se movem, uma propriedade chamada autodifusividade. Tradicionalmente, descobrir quão rápido um íon se move dentro de um cristal exige a execução de simulações computacionais massivas que rastreiam o movimento de cada átomo ao longo do tempo. Como os íons se movem de forma lenta e errática, essas simulações precisam rodar por um tempo muito longo para obter uma resposta precisa, muitas vezes levando dias ou até semanas de tempo de computação para um único material. Essa lentidão torna quase impossível triar os milhares de materiais potenciais necessários para encontrar o perfeito.

Uma equipe de pesquisadores do Massachusetts Institute of Technology encontrou uma maneira de contornar esse gargalo. Em vez de esperar que a simulação lenta do movimento dos íons termine, eles desenvolveram um método para prever quão rápido os íons se moverão observando as "impressões digitais" do material a partir de uma simulação muito curta. Eles perceberam que, embora o movimento real dos íons leve muito tempo para se estabilizar em um padrão previsível, outras propriedades do material se estabilizam quase instantaneamente. Essas propriedades incluem como os átomos vibram, como estão arranjados no espaço e a natureza química dos átomos em si. Ao treinar um modelo computacional para reconhecer a conexão entre essas impressões digitais de medição rápida e a velocidade final dos íons, os pesquisadores agora podem prever o movimento dos íons com alta precisão usando apenas uma fração mínima do poder de computação anteriormente necessário.

Os pesquisadores focaram em um desafio específico: distinguir entre materiais onde os íons estão presos no lugar e aqueles onde eles fluem livremente. Eles reuniram dados de milhares de diferentes materiais sólidos que conduzem íons. Para cada material, realizaram uma simulação computacional curta de apenas cinco picosegundos — um tempo tão breve que é um trilionésimo de segundo. Dessa captura instantânea, extraíram dois tipos principais de informação. Primeiro, observaram a densidade de estados vibracionais, que é essencialmente um mapa de como os átomos no material estão sacudindo ou vibrando em diferentes velocidades. Segundo, examinaram a função de distribuição radial, uma medida de como os íons estão espaçados uns em relação aos outros, revelando se estão compactados rigidamente em uma estrutura rígida ou se movendo mais livremente como um líquido.

Para dar sentido a esses dados, a equipe utilizou um tipo de inteligência artificial chamada rede neural. Eles ensinaram essa rede a olhar para as impressões digitais da simulação curta e adivinhar a velocidade final de longo prazo dos íons. A rede também recebeu informações sobre a química do material, como quais elementos estão presentes e como eles estão ligados. O objetivo era ver se o modelo conseguiria aprender as regras ocultas que conectam o balanço rápido e caótico dos átomos ao deslocamento lento e constante dos íons. Os resultados foram impressionantes. O modelo conseguiu prever a velocidade final dos íons com um alto grau de precisão, alcançando um erro médio de menos de meio ponto em uma escala logarítmica, o que é uma margem muito estreita para um processo físico tão complexo. Ele classificou corretamente os materiais, identificando os condutores rápidos e os lentos com uma forte correlação.

Uma das descobertas mais importantes foi que o modelo não precisava esperar que os íons realmente saltassem de um lugar para outro para fazer uma previsão. Em muitos dos materiais, especialmente nos lentos, os íons podem não se mover de forma alguma durante uma janela de cinco picosegundos. No entanto, o modelo ainda conseguia dizer quão rápido eles se moveriam se tivessem tempo suficiente. Isso ocorre porque a simulação curta capturou a "rigidez" do ambiente ao redor dos íons. Em materiais de alta condução, os átomos que cercam os íons em movimento estão fracamente acoplados, permitindo que os íons deslizem facilmente. Em materiais lentos, os átomos ao redor estão firmemente travados no lugar, criando uma gaiola rígida que aprisiona os íons. O modelo aprendeu a ler essas diferenças sutis nos padrões vibracionais e estruturais, efetivamente vendo o potencial de movimento antes mesmo que ele acontecesse.

Os pesquisadores também exploraram como os íons em movimento interagem com a estrutura circundante do cristal. Eles descobriram que, em materiais onde os íons se movem rapidamente, as vibrações dos íons em movimento são amplamente independentes das vibrações dos átomos ao redor. Os íons estão desacoplados, movendo-se por conta própria. Em contraste, em materiais lentos, os íons em movimento estão fortemente sincronizados com a estrutura circundante, travados em um ritmo compartilhado que os impede de se libertar. Esse desacoplamento é uma assinatura fundamental de um bom condutor. O estudo também confirmou que o arranjo dos íons, medido pela probabilidade de serem encontrados a certas distâncias uns dos outros, segue um padrão específico em condutores rápidos que se assemelha a um líquido, enquanto condutores lentos mantêm uma ordem sólida, mais rígida.

Ao combinar essas pistas vibracionais, estruturais e químicas, a equipe criou uma ferramenta universal para triagem de materiais. Em vez de rodar simulações que levam dias para convergir, os pesquisadores agora podem rodar uma simulação de apenas cinco picosegundos e obter uma previsão confiável do desempenho do material. Essa abordagem não apenas economiza tempo; ela muda a estratégia de descoberta. Ela permite que os cientistas filtrem rapidamente milhares de candidatos ruins e foquem seus recursos nos poucos materiais que mostram promessa. O modelo foi testado em um conjunto de dados de mais de quatro mil materiais e provou ser robusto em uma ampla gama de temperaturas e composições químicas. Ele previu com sucesso a velocidade dos íons para materiais conhecidos como condutores rápidos, bem como para aqueles conhecidos como lentos, sem precisar saber a resposta antecipadamente.

As implicações para o desenvolvimento de baterias são significativas. Encontrar novos eletrólitos sólidos tem sido um processo lento porque o custo computacional de testar cada candidato era muito alto. Com este novo método, o processo de triagem torna-se rápido e eficiente. Os pesquisadores demonstraram que seu modelo pode prever a velocidade dos íons com uma precisão comparável à execução de uma simulação muito mais longa, mas em uma fração do tempo. Isso significa que a busca pelo material de bateria de estado sólido perfeito pode passar de um processo manual e lento para um processo rápido e automatizado. O trabalho destaca que a resposta para um problema lento e complexo pode frequentemente ser encontrada nos padrões rápidos e emergentes do sistema, desde que se saiba como lê-los. O estudo não afirma ter resolvido inteiramente o problema do design de baterias, mas fornece uma nova lente poderosa através da qual visualizar o vasto panorama de materiais potenciais, transformando uma busca de anos em uma questão de dias ou até horas.