與基于液體電解質(zhì)的系統(tǒng)相比,固態(tài)電池表現(xiàn)出更高的能量密度和安全性。因此,開發(fā)能夠以與液體電解質(zhì)相當(dāng)?shù)乃俾蕚鬏旉栯x子的固體電解質(zhì)是一個(gè)活躍的研究領(lǐng)域。為了促進(jìn)這項(xiàng)研究,需要了解控制離子通過晶格傳輸?shù)幕瘜W(xué)和結(jié)構(gòu)特征。在此,美國密歇根大學(xué)Donald J. Siegel等人采用機(jī)器學(xué)習(xí)(ML)方法識別影響固體電解質(zhì)中離子遷移率的特征且量化這些特征的相對重要性,并演示了單個(gè)特征的變化如何改變離子遷移率。作者采用反鈣鈦礦(AP)晶體結(jié)構(gòu)作為模型系統(tǒng),并從包含使用DFT計(jì)算的600多個(gè)勢壘的數(shù)據(jù)集中訓(xùn)練的幾種ML算法來預(yù)測離子遷移勢壘。訓(xùn)練集源自36種堿金屬鹵化物反鈣鈦礦,包括空位和間隙遷移機(jī)制。通過識別并消除高度相關(guān)(即冗余)的特征,從而最大限度地簡化模型并最小化過擬合。通過使用最準(zhǔn)確的算法,作者識別出產(chǎn)生最準(zhǔn)確預(yù)測的特征組合。最后,使用雜質(zhì)平均減少量(MDI)和個(gè)體條件期望(ICE)圖對特征的相對重要性及其對離子傳輸?shù)挠绊戇M(jìn)行量化。圖1. 識別影響反鈣鈦礦固體電解質(zhì)中離子遷移勢壘特征的ML流程結(jié)果分析表明,跳躍距離和通道寬度等晶格特性對陽離子遷移率的影響最大。這些特征占空位遷移總特征重要性的70%,占間隙遷移重要性的50%。對這些特征進(jìn)行的個(gè)別條件期望分析表明,勢壘隨著跳躍距離的減小和通道寬度的增加而減小。此外,其他顯著特征包括陰離子極化率(空位遷移的22%)和缺陷形成能(間隙遷移的35%)。值得注意且出乎意料的是,間隙形成能的識別是一個(gè)顯著的特征,因?yàn)楸娝苤撎卣骺梢钥刂迫毕莸臐舛?,但其并未被廣泛認(rèn)為是影響遷移率的特征。總之,這種特征重要性分析通過將多維設(shè)計(jì)空間減少到最具影響力的特性子集,促進(jìn)了高效固體電解質(zhì)的設(shè)計(jì)。另一個(gè)好處是,許多已識別的特征是基本屬性且易于評估,從而進(jìn)一步簡化固體電解質(zhì)發(fā)現(xiàn)過程。圖2. 遷移勢壘的ML預(yù)測與DFT計(jì)算的比較Machine learning reveals factors that control ion mobility in anti-perovskite solid electrolytes, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA03613D