Redian新闻
>
Npj Comput. Mater.: 阴离子基团旋转—对锂离子扩散的弱负效应

Npj Comput. Mater.: 阴离子基团旋转—对锂离子扩散的弱负效应

科学

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

深入了解当前离子导体中离子输运的机理是进一步优化和开发锂离子固体电解质材料的关键。目前对锂在离子导体中的快速扩散的理解主要从晶体结构 (静态力学)和离子-晶格相互作用动力学两个方面进行。


最近,一些通过ab-initio分子动力学(AIMD)模拟的计算研究表明,阴离子旋转运动和阳离子平移运动之间的耦合动力学会增强阳离子的扩散,称为桨轮效应。这些AIMD模拟主要在高温下进行,以加强离子扩散事件的采样,并在~100皮秒(ps) 的时间水平上获得充分的扩散统计,以避免低温AIMD模拟统计误差。此外,由阿伦尼乌斯假设所外推的室温离子电导率和扩散率通常较实验数据有很大误差。由于这些聚阴离子旋转和桨轮效应通常是在具有大自由体积和原子动能的高温AIMD模拟中观察到的,因此在低温条件下锂离子导体中是否存在阴离子旋转、是否存在桨轮效应仍然是一个问题。目前,ab-initio计算、分子动力学(MD)模拟和机器学习(ML)方法被广泛用于研究和开发先进电池材料。特别是ML结合经典计算方法,是高效预测性能和分析电池材料复杂结构-功能关系的有力工具。基于机器学习原子间势的分子动力学模拟,即所谓的机器学习分子动力学(MLMD)模拟,通过密度泛函理论(DFT)计算直接求解Schrödinger方程得到能量和力,是延长模拟时间的一种非常有力的工具。


来自南京航空航天大学郑明波教授团队、中科院深圳先进技术研究院赵海涛研究员团队、复旦大学夏永姚教授团队,合作为Li7P3S11、Li10GeP2S12、β-Li3PS4、Li3ErCl6、Li3YBr6等5种锂离子导体开发了机器学习原子间势模型,并开展基于机器学习原子间势的微秒级室温分子动力学模拟(MLMD),探索五种锂离子导体中的非阿伦尼乌斯行为、阴离子旋转事件、桨轮效应,为我们提供室温离子导体中阴离子旋转与阳离子扩散关系的直接物理图像。


Figure 1. Angle evolutions of P-S bonds.


作者研究发现Li3ErCl6的锂离子呈现非线性阿伦尼乌斯行为,这是传统AIMD模拟高估其离子电导率的主要原因。MLMD 模拟捕获室温Li7P3S11中的阴离子旋转事件(图1),长链 [P2S7]4−中 [PS4]3− 四面体被发现具有旋转运动能力,而孤立的基团 [ PS4]3− 不旋转。然而, 室温下,Li10GeP2S12、β-Li3PS4、Li3ErCl6和 Li3YBr6 晶体中没有观察到聚阴离子旋转。此外,超长时间MLMD模拟表明室温条件下Li7P3S11晶体不仅不存在桨轮效应,而且旋转的[PS4]3−聚阴离子基团对整体Li离子扩散具有微弱的负面影响(图2)。

Figure 2. The relationships between [PS4]3−polyanion groups (5#-P, 6#-P, 7#-P and 8#-P) and their adjacent Li ions during [PS4]3− rotation time for 300K MLMD simulations of Li7P3S11.

该文近期发表于npj Computational Materials 9: 105 (2023)论文第一作者为南京航空航天大学许真铭博士,英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。


Machine learning molecular dynamics simulation identifying weakly negative effect of polyanion rotation on Li-ion migration


Zhenming Xu, Huiyu Duan, Zhi Dou, Mingbo Zheng, Yixi Lin, Yinghui Xia, Haitao Zhao & Yongyao Xia 


Understanding the physical picture of Li ion transport in the current ionic conductors is quite essential to further develop lithium superionic conductors for solid-state batteries. The traditional practice of directly extrapolating room temperature ion diffusion properties from the high-temperature (>600 K) ab initio molecular dynamics simulations (AIMD) simulations by the Arrhenius assumption unavoidably cause some deviations. Fortunately, the ultralong-time molecular dynamics simulation based on the machine-learning interatomic potentials (MLMD) is a more suitable tool to probe into ion diffusion events at low temperatures and simultaneously keeps the accuracy at the density functional theory level. Herein, by the low-temperature MLMD simulations, the non-linear Arrhenius behavior of Li ion was found for Li3ErCl6, which is the main reason for the traditional AIMD simulation overestimating its ionic conductivity. The 1μs MLMD simulations capture polyanion rotation events in Li7P3S11 at room temperature, in which four [PS4]3− tetrahedra belonging to a part of the longer-chain [P2S7]4− group are noticed with remarkable rotational motions, while the isolated group [PS4]3− does not rotate. However, no polyanion rotation is observed in Li10GeP2S12, β-Li3PS4, Li3ErCl6, and Li3YBr6 at 300 K during 1μs simulation time. Additionally, the ultralong-time MLMD simulations demonstrate that not only there is no paddle-wheel effect in the crystalline Li7P3S11 at room temperature, but also the rotational [PS4]3− polyanion groups have weakly negative impacts on the overall Li ion diffusion. The ultralong-time MLMD simulations deepen our understanding of the relationship between the polyanion rotation and cation diffusion in ionic conductors at room environments.



扩展阅读

 
Npj Comput. Mater.: 新合金设计—样本数据迁移机器学习方
Npj Comput. Mater.: 材料信息学门槛高,AlphaMat带你找门道!
Npj Comput. Mater.: “中心-环境”深度迁移学习—快速预测钙钛矿氧化物
Npj Comput. Mater.: 知识的力量—数据与知识的正面较量
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
每天10句英语口语|Is this computer yours?Npj Comput. Mater.: 原子间固有的游戏规则—设计人工智能材料改变一生的三大动物效应:刺猬效应、蝴蝶效应、鳄鱼效应Npj Comput. Mater.: 机器学习预测晶格热导率:快!准!5095 血壮山河之武汉会战 浴血田家镇 3Npj Comput. Mater.: 高通量计算—助力Heusler功能材料设计Npj Comput. Mater.: “中心-环境”深度迁移学习—快速预测钙钛矿氧化物Npj Comput. Mater.: 晶格点缺陷很小,但其可能搅动世界第二章 文明的产生和发展 (3)Npj Comput. Mater.: 离子介电极化率数据缺失?机器学习填补其遗憾瑕疵!Npj Comput. Mater.: 纵然藏她千百度,暮回首,AI把她全揭露!Npj Comput. Mater.: 多相态氧化镓—机器学习势函数的试金石Npj Comput. Mater.: 新合金设计—样本数据迁移机器学习方Npj Comput. Mater.: 超快激光的妙手真可“点石(墨)成金(刚石)”固态电池中界面的调控方法及锂离子传输机理|络绎学术Online第171期Npj Comput. Mater.: 一维范德华异质结很迷人,但曲率如何改变电子性质太劳神!Npj Comput. Mater.: 狸猫换太子—实现高居里温度Npj Comput. Mater.: 高兴发团队很不高兴—与电子推推拉拉,成何体统?Npj Comput. Mater.: 高热电性能—全赫斯勒化合物Npj Comput. Mater.: 杂化有机-无机钙钛矿,还能开挂多久?Npj Comput. Mater.: 双势垒结构—增强铁电隧道结的隧穿电致电阻Npj Comput. Mater.: 知识的力量—数据与知识的正面较量Npj Comput. Mater.: 基于二维范德华异质结能带调控的平面铁电隧道结Npj Comput. Mater.: 相场模拟—从微观到宏观地理解和设计合金一只鼠头引起的一场娱乐六十八 退休Npj Comput. Mater.: 一叶知秋—材料科学中的小数据机器学习危险!锂离子电池在悉尼接连引发火灾事故,监督机构建议对其实施更严格监管澳洲科学院院士郭再萍、南昆士兰大学宋平安新成果评估锂离子电池安全性,提出防火安全方法Npj Comput. Mater.: 自旋极化—非易失电调控六十七 “楚辞”Npj Comput. Mater.: 材料信息学门槛高,AlphaMat带你找门道!Npj Comput. Mater.: 通用材料多目标性能协同优化主动学习方法锂离子电池简史!基于AI和NPU的Codec变革——VPU与NPU的协同创新
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。