Neue Publikation im HIPOBAT Projekt

Titel

Prediction of Structural Stability of Layered Oxide Cathode Materials: Combination of Machine Learning and Ab Initio Thermodynamics

Link
https://doi.org/10.1002/aenm.202505470

Zusammenfassung

Schichtoxide haben als Kathodenmaterialien für Na-Ionen-Batterien viel Aufmerksamkeit erregt. Für ein gezieltes Kathodenmaterialdesign und eine Verbesserung der Leistung ist eine genaue Vorhersage der stabilsten Stapelsequenz (z. B. P2 vs. O3-Phase) in Schichtoxiden unvermeidlich.

In der vorliegenden Arbeit haben wir zunächst ein datenbasiertes Modell entwickelt, das auf maschinellem Lernen (ML) basiert, um die Phasenstabilität von Schichtoxiden vorherzusagen. Anschließend validierten wir mit einer Kombination aus elektrostatischer Analyse, Dichtefunktionaltheorie, Monte-Carlo-Simulation und thermodynamischer Betrachtung unsere ML-basierte Vorhersage und gewannen so Einblicke in die Wechselwirkung zwischen Merkmalen und Phasenstabilitäten. Wir fanden heraus, dass tiefe neuronale Netze die Phasenstabilität mit sehr hoher Genauigkeit vorhersagen können. Ionenpotentiale der Übergangsmetalle (ÜM), Na Konzentration, and ÜM Mischungsentropie wurden als Schlüsselfaktoren identifiziert, die die Phasenklassifikation beeinflussen. Dabei zeigte sich, dass geringe Ionenpotenziale der Übergangsmetalle, hohe Na Konzentration, und höhere Mischungsentropie die Bildung der O3 Phase begünstigen. Wir fanden heraus, dass Na-ÜM- und Na-Na-Wechselwirkungen Schlüsselfaktoren sind, die die Phasenstabilität steuern, und beide stark von der Na-Konzentration abhängig sind. Schließlich wird das ÜM-Ionenpotential als entscheidender Faktor bestimmt, der die Na-ÜM-Wechselwirkung steuert und damit die Phasenstabilität von Schichtoxidmaterialien für Na-Ionen-Batterien bestimmt.

Interview mit einer der beteiligten Autoren and Wissenschaftlerin im HIPOBAT Projekt, Dr. Dijana Milosavljević, Forschungszentrum Jülich

1. Ihr habt datengetriebene Modelle entwickelt, die auf maschinellem Lernen (ML) und ab-initio, atomistischen thermodynamischen Ansätzen basieren, um die Phasenstabilität einer bestimmten Klasse von Aktivmaterialien für Natrium Batterien, nämlich Na-Schichtoxiden, vorherzusagen und zu verstehen. Um die Datenbank mit 270 Verbindungen für Eure Arbeit aufzubauen, habt ihr mit einer bereits bestehenden mit 104 Verbindungen begonnen. Kannst Du erklären, warum es notwendig war, die bestehende Datenbank zu erweitern? Was war die Hauptherausforderung beim Aufbau dieser Datenbank? Wie lange hat es gedauert, diese zu bauen, und werden andere Forscher diese in Zukunft nutzen können?

Obwohl die bestehende Datenbank eine solide Grundlage bot, ist es wichtig zu betonen, dass die Verbesserung der Genauigkeit, Qualität und prädiktiven Leistung des Modells sowohl eine Steigerung der Menge als auch der Qualität der Daten in der Datenbank erforderte. Darüber hinaus liegt die Neuheit unserer Datenbank in der Aufnahme von Proben mit niedrigen Na-Konzentrationen. Die Hauptherausforderung bei der Entwicklung der Datenbank ist die Datenverfügbarkeit, die entweder eine enge Zusammenarbeit mit experimentellen Gruppen oder eine umfassende und detaillierte Überprüfung der bestehenden Literatur erfordert. Dieser Prozess ist zeitaufwendig und erfordert eine sorgfältige Datenauswertung. Wir werden diese Themen in einer unserer kommenden Publikationen behandeln. Der Aufbau der Datenbank wurde von Konstantin Köster vom Forschungszentrum Jülich initiiert. Anschließend wurde diese von den anderen Mitautoren aktualisiert. Zusätzlich umfasst unsere neue Datenbank Mehrelementverbindungen, was ihren Umfang und ihre Anwendbarkeit erweitert.

2. Wie unterscheidet sich das von Euch verwendete und trainierte ML-Modell von anderen Arbeiten in diesem Bereich? Was sind die 6 linear-unabhängigen Merkmale, die den Kern des Modells bilden?

Die bedeutendste frühere Studie, die Faktoren untersucht, welche die Phasenstabilität von Schichtoxiden beeinflussen, ist "Rational design of layered oxide materials for sodium-ion batteries" von Zhao et al., veröffentlicht in Science im Jahr 2020. Darin wurde das kationische Potenzial erstmals als neuartiger Prädiktor für die Bildung der Schichtoxide eingeführt.
Es sollte jedoch betont werden, dass die Studie keine weiteren Faktoren einschloss, um einen Vergleich zu ermöglichen. Die Neuheit unserer Arbeit liegt in der Einbeziehung zusätzlicher Merkmale, wie der Mischungsentropie von Übergangsmetallen (ÜMs), und in der Entkopplung von Beiträgen von Na und ÜMs als ionisches Potential, die nicht getrennt werden können, wenn das kationische Potential verwendet wird, da beide Beiträge inhärent miteinander verbunden sind. Unsere Ergebnisse zeigen eine höhere Genauigkeit als die in der vorherigen Veröffentlichung berichteten und weisen auf Fortschritte gegenüber früheren Ergebnissen hin.

3. Eure Arbeit konzentriert sich auf Verbindungen, die entweder P2 oder O3 sind. Kannst Du kurz erklären, was der Unterschied zwischen den beiden ist und was ihr in Bezug auf die Bildung von P2- oder O3-Phasen herausgefunden habt – was sind die entscheidenden Merkmale für die Phasenpräferenz? Wie kann dies Forschern helfen, aktive Kathodenmaterialien für Natrium-Batterien im HIPOBAT-Projekt zu synthetisieren und zu testen?

Die P2-Phase besitzt prismatische Na-Ionen-Positionen, eine zweischichtige Sauerstoff-Stapelsequenz, und zeigt typischerweise eine schnellere Na-Ionen-Diffusion, während die O3-Phase oktaedrische Na-Ionen- Positionen besitzt, eine dreischichtige Sauerstoffstapelsequenz und eine höhere strukturelle Stabilität, aber eine vergleichsweise langsamere Ionendiffusion bietet.
Unser Modell erreicht eine Genauigkeit von etwa 96% bei der Vorhersage der Phasenstabilität (P2 versus O3).
ÜM-Ionenpotenzial, Na-Konzentration und ÜM-Mischungsentropie wurden als Schlüsselbeschreiber zur Phasenklassifikation identifiziert, wobei ein höheres ÜM-Ionenpotenzial, niedrigerer Na-Gehalt und niedrigere Mischungsentropie die P2-Phase bevorzugen. Zusätzlich haben wir unser Machine-Learning-Modell in einen öffentlich verfügbaren Phasenprädiktor implementiert ( https://huggingface.co/spaces/LIANGTING-WU/Phase_Predictor ), bei dem die resultierende Phase einfach durch Angabe der chemischen Formel vorhergesagt werden kann. Dieses praktische Werkzeug ermöglicht es Forschern, schnell die Phase ihrer Zielzusammensetzungen zu bestimmen, was einen bedeutenden Beitrag zur Materialsynthese und zur Beschleunigung des Materialdesigns darstellt.

4. Ihr habt eine erweiterte Datenbank mit P2- und O3-Verbindungen erstellt, um verschiedene Machine-Learning-Modelle zu vergleichen und das DNN-Modell zu trainieren und zu validieren. Was werden die nächsten Schritte sein? Habt ihr weitere Schritte geplant, um diesen Workflow/dieses Modell auf andere Phasen oder andere Verbindungen in Zukunft auszuweiten?

Derzeit finalisieren wir einen Artikel zu einem neuen ML-Modell zur Vorhersage von Phasenübergängen. Zu diesem Zweck haben wir eine neue Datenbank eingerichtet, die Informationen zu Verbindungen während des elektrochemischen Ladens und Entladens enthält. Die Entwicklung des Datensatzes stellte erhebliche Herausforderungen dar, da zuvor kein verfügbarer Datensatz vorhanden war. Zusätzlich wäre es sinnvoll, alternative Stapel-Sequenzen wie P3 oder geschichtete Na-Ionen-Kathoden zu erforschen, die während der Synthese gemischte P2/O3-Phasen aufweisen. Eine verlässliche Vorhersage würde jedoch eine deutlich größere Menge experimenteller Daten erfordern, da diese Materialklassen in der aktuellen Literatur weiterhin stark unterrepräsentiert sind. Zusätzlich kann unsere P2- versus O3-Datenbank, kontinuierlich aktualisiert werden, da sie öffentlich verfügbar ist. Somit können neu synthetisierte Verbindungen zum weiteren Trainieren des Modells und zur Integration zusätzlicher Funktionen eingeschlossen werden.