Machine learning potentials for the simulation of fluoride ion batteries electrolytes
Xiliang Lian
Sorbonne Université
内容与影响
Potentiels d'apprentissage automatique pour la simulation des électrolytes de batteries à ions fluorure Les batteries à ions fluorure (FIB) représentent une technologie prometteuse post-Li-ion, mais l'identification d'électrolytes avec une haute mobilité des ions fluorure à température ambiante demeure un défi majeur. En effet, la recherche dans ce domaine est freinée par une compréhension limitée du mécanisme de conduction des ions fluorure. Dans ce manuscrit de thèse, je présenterai mon travail sur l'utilisation des dynamiques moléculaires basées sur un potentiel d'apprentissage automatique (MLP) pour comprendre le mécanisme de diffusion ionique dans les électrolytes solides et liquides. En particulier, nous utiliserons le BaSnF4 comme électrolyte solide de référence pour comprendre comment les ions Sn2+ déterminent de manière critique le mouvement des ions F-. À la suite de travaux antérieurs, nous avons conçu un électrolyte à haute entropie, où le Np1F/ACN et le CsF/H2O sont mélangés, pour explorer des électrolytes liquides potentiels avec une haute mobilité des ions F-.Dans le chapitre 3, nous nous concentrerons sur la précision et l'efficacité de la méthode MLP comparée aux potentiels d'interaction classiques et aux dynamiques moléculaires ab initio. Le MLP a émergé comme une méthode prometteuse pour approcher la surface d'énergie potentielle avec une grande précision et efficacité. Cependant, la polyvalence et l'efficacité d'une telle méthode par rapport aux potentiels d'interaction classiques sont rarement étudiées. En utilisant le BaSnF4 et un système auxiliaire plus simple, NaF, qui possède une structure de type sel gemme, nous montrons comment un MLP peut capturer les interactions subtiles des paires solitaires de Sn, tandis qu'un champ de force polarisable échoue. La précision de notre MLP est validée en comparant les propriétés vibrationnelles telles que la dispersion des phonons et les équations d'état avec les résultats obtenus par la théorie de la fonctionnelle de la densité, et elle montre un excellent accord avec cette théorie. Le MLP présente également une efficacité computationnelle nettement améliorée par rapport à la méthode de dynamiques moléculaires ab initio de référence.Dans le chapitre 4, nous fournirons une investigation complète du comportement de diffusion des ions F⁻ pour le BaSnF4, qui présente une haute conductivité ionique de 1×10-4 S/cm à température ambiante, mais dont le mécanisme de conduction ionique sous-jacent et les implications des paires solitaires (LP) de Sn2+ dans ce processus restent obscurs. En utilisant les dynamiques moléculaires basées sur l'apprentissage automatique, nous avons étudié comment le mouvement des différentes espèces affecte le paysage énergétique de diffusion. Nous avons démontré que les ions Sn2+ jouent un rôle fondamental. Leur mouvement translationnel conduit à un canal de conduction ionique avec un rayon plus large, augmentant ainsi la conductivité ionique du BaSnF4. Cela modifie également la dynamique d'orientation des LP. En outre, nous avons examiné de manière exhaustive le comportement de diffusion des ions fluorure dans le BaSnF4 et confirmé une diffusion bidimensionnelle au sein des couches Ba-Sn, tandis que dans l'autre direction, les ions F- traversent rapidement la couche Sn-Sn, créant des défauts de Frenkel dans la structure. Notre travail élucide le mécanisme atomistique régissant la conduction des ions fluorure dans les conducteurs ioniques rapides et contribuera à la conception rationnelle des électrolytes solides pour les FIB.Dans le chapitre 5, nous présenterons nos premières tentatives sur les électrolytes liquides mixtes. Les propriétés prometteuses des solutions isolées de Np1F/ACN et CsF/H2O ainsi que les avantages tirés du système à haute entropie rendent le mélange intéressant. Dans ce travail, nous avons d'abord entraîné le MLP pour le mélange et validé notre MLP par rapport aux résultats calculés par la DFT. Nous avons ensuite réalisé des dynamiques moléculaires à grande échelle et analysé le comportement des ions F-.
逐年被引趋势
暂无年度引用数据
关键指标
同类平均 = 1
同领域 · 同年份 · 同类型
Google Scholar 与 OpenAlex 的被引统计范围不同,数值存在差异属正常。
AI 辅助阅读
依据:摘要
回答优先基于摘要、文献信息与可获取全文;依据不足时会明确说明。
学术脉络
学科主题
材料 / 化学Machine Learning in Materials Science
Advanced Battery Materials and Technologies · Inorganic Fluorides and Related Compounds