A Hierarchical Synergistic Deep Learning Framework Integrating Composition, Structure, and Ionic Transport for Solid-State Electrolyte Discovery
本文提出了一种结合组成、结构和动力学模块的分层协同深度学习框架，旨在克服多目标筛选中的数据限制，该框架成功地从超过 3000 万个候选材料中识别出 97 种高性能固态电解质，并揭示了锂离子跳跃网络连通性而非几何位点数量是室温离子电导率的主要决定因素。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
对更优质电池的追求，常促使科学家们将目光投向现今智能手机和电动汽车中所使用的液体电解质之外。液体电解质具有易燃且可能泄漏的特性，这带来了安全风险，限制了电池性能提升的潜力。为了解决这一问题，研究人员正转向固态电解质，即通过允许锂离子像进行接力赛一样在其中跳跃来传导电力的硬质无机材料。对于一种固体材料要在真实的电池中发挥作用，它必须同时通过一系列严格的测试：它必须能在室温下让锂离子快速移动，必须阻挡电子通过，必须承受高电压而不发生分解，并且必须具备足够的机械稳定性，以抵御电池单元内部的压力。寻找一种能同时满足所有这些条件的材料，就像是在草堆中寻找一根针，但这个草堆不仅仅是一堆稻草，而是一个包含数万亿种可能化学组合的宇宙，其中大部分组合从未被合成或测试过。
一个研究小组开发出一种全新的多层筛选方法，用以在这一浩瀚的化学宇宙中进行筛选，并成功识别出了近百种极具前景的新型固态电池材料。该团队并没有尝试使用最强大、最耗时的工具去分析每一个可能性，而是构建了一个层次化的筛选系统，其作用类似于一系列精度递增的过滤器。该过程首先利用快速的基于成分的模型，迅速剔除数百万种不稳定的化学配方。随着候选池的缩小，团队引入了更复杂的工具，用于观察原子的实际排列方式，检查稳定性和电气绝缘性。最后，对于最具潜力的“幸存者”，他们运行详细的模拟实验，模拟锂离子随时间移动的过程，以确保材料能够高效地传导电流。这种循序渐进的策略使他们能够处理超过三千万个潜在结构，而这在仅靠传统方法的情况下是不可能完成的任务。
这次大规模计算扫描的结果是一份包含九十七个高性能候选材料的名单。这些候选材料中的绝大多数属于卤化物，即含有氯或溴等元素的化合物家族，研究发现这类物质非常适合此项应用。研究人员发现，这些材料的室温离子电导率范围在 0.109 到 59.0 毫西门子每厘米之间，这一广泛的范围包含了目前所预测到的导电性最强的固体电解质。在表现最优异的材料中，九十四个是卤化物，一个是硼氢化物，两个是氧化物。为了确保这些发现并非仅仅是计算机生成的伪影，研究人员将他们最顶尖的卤化物候选材料与已知的实验数据进行了对比。他们发现，九十四个卤化物候选材料中有七十六个完全落在实验室中已观察到高电导率的结构区域内，这为这些预测结果具有物理现实依据提供了强有力的信心。
这项工作的最重要见解之一在于探讨为什么某些材料导电性良好而其他材料却不然。多年来，科学家们一直认为晶体结构中可供锂离子占据的空位数量是决定电导率的主要因素。然而，这项研究表明，空位的数量远没有路径之间的连通性那么重要。在性能最佳的材料中，锂离子可以轻松地从一个位置跳跃到另一个位置，形成一个连续且完整的路径网络。相比之下，那些看起来拥有大量空间但最终失败的材料，往往是因为这些空位彼此孤立，从而将离子困在原地。当对比一个锂离子可以自由移动的高性能卤化物与一个尽管拥有许多可用位点但离子却被困住的低性能氧化物时，这种差异表现得尤为清晰。
研究人员还探索了是否可以提升氧化物的性能，因为氧化物通常性质稳定但导电性较差。通过模拟各种化学微调手段（例如在锂排列中制造缺陷或更换不同的原子），他们发现提高氧化物的电导率是可能的，且可以实现几个数量级的提升。然而，这些改进也伴随着权衡。虽然某些修改使氧化物的导电性更好，但也缩小了材料可以安全处理的电压窗口，或降低了结构的稳定性。这表明，尽管氧化物可以通过改良来提升性能，但其刚性的原子框架可能会对其性能表现设定一个天然的极限。研究结论指出，卤化物框架固有的灵活性允许锂离子进行连续的长程移动，而这正是高性能固态电池所必需的，这为未来的材料发现指明了一个明确的方向。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。