As baterias totalmente sólidas (ASSB) são amplamente vistas como uma alternativa mais segura e potencialmente mais densa em energia em relação às baterias de íon de lítio tradicionais. Seu desempenho depende fortemente da rapidez com que os íons podem se mover através dos eletrólitos sólidos. A identificação de materiais que permitem esse movimento rápido de íons tradicionalmente exigiu síntese e caracterização experimental demoradas. Os pesquisadores também dependem de simulações computacionais, mas as abordagens computacionais existentes muitas vezes têm dificuldades em modelar com precisão o comportamento complexo e desordenado dos íons em altas temperaturas.
Outra grande dificuldade é detectar e prever quando os íons se movem por cristais de maneira semelhante a um líquido. As técnicas computacionais padrão que tentam calcular as propriedades de tais sistemas dinamicamente desordenados exigem um poder computacional extremamente alto, tornando estudos em larga escala impraticáveis.
Machine Learning Prediz Sinais Raman do Movimento Iônico Líquido
Para enfrentar esses desafios, os pesquisadores desenvolveram um fluxo de trabalho acelerado por aprendizado de máquina (ML) que combina campos de força ML com modelos ML tensorais para simular espectros Raman. Suas descobertas mostram que uma forte intensidade Raman de baixa frequência pode atuar como um indicador espectroscópico claro de condução iônica líquida.
Quando os íons se movem através de uma rede cristalina de maneira fluida, seu movimento perturba temporariamente a simetria da rede. Essa perturbação relaxa as regras de seleção de Raman habituais e produz uma dispersão Raman distinta de baixa frequência. Esses sinais espectrais podem ser diretamente ligados à alta mobilidade iônica.
O novo método permite que os cientistas simulem os espectros vibracionais de materiais complexos e desordenados em temperaturas realistas com precisão quase ab initio, ao mesmo tempo em que reduz significativamente o custo computacional. Quando aplicado a materiais condutores de sódio, como Na3SbS4, o método revelou características Raman de baixa frequência pronunciadas. Esses sinais surgem da quebra de simetria causada pelo transporte rápido de íons e fornecem um indicador confiável de condução iônica rápida. Os resultados também ajudam a explicar observações experimentais anteriores e abrem caminho para uma triagem de alto rendimento em busca de novos materiais super iônicos.
Características Raman Revelam Condutores Super Iônicos
Os pesquisadores testaram ainda mais o método utilizando sistemas condutores de sódio. O fluxo de trabalho identificou com sucesso assinaturas Raman ligadas ao movimento iônico líquido. Materiais que apresentaram intensas características Raman de baixa frequência também mostraram alta difusividade iônica e relaxamento dinâmico da rede hospedeira.
Em contraste, materiais onde o transporte iônico ocorre principalmente por saltos entre posições fixas não produziram essas assinaturas Raman. Essa distinção destaca como os sinais Raman podem revelar o mecanismo de transporte subjacente dentro de um material.
Acelerando a Descoberta de Materiais Avançados para Baterias
Ao estender a quebra das regras de seleção Raman além dos sistemas super iônicos tradicionais, o estudo fornece uma estrutura mais ampla para interpretar a dispersão Raman difusiva em várias classes de materiais. O pipeline Raman acelerado por ML conecta simulações atomísticas com medições experimentais, permitindo que os cientistas avaliem materiais candidatos de maneira mais eficiente.
Essa estratégia introduz uma nova rota poderosa para a descoberta orientada por dados na pesquisa de armazenamento de energia. Ao ajudar os pesquisadores a identificar rapidamente condutores de íons rápidos, o método pode acelerar o desenvolvimento de tecnologias de baterias sólidas de alto desempenho.
As descobertas foram publicadas recentemente na edição online da AI for Science, um jornal internacional focado em pesquisas interdisciplinares em inteligência artificial.
