Литий-ионные батареи, как известно, являются источником питания множества гаджетов, электромобилей и других устройств, без которых трудно представить нашу повседневную жизнь. В перспективе роль подобных накопителей энергии существенно возрастёт. Они призваны обеспечить резервное электроснабжение в рамках концепции "зелёных" возобновляемых энергосистем за счёт аккумулирования энергии ветра и солнца. При этом добыча лития наносит ощутимый экологический ущерб, а цены на него постоянно растут. 

Потенциальный поиск альтернатив занял бы годы кропотливых исследований и тестирования миллионов вариантов новых материалов. Однако команда под руководством Нейтана Бейкера из Microsoft смогла решить эту задачу всего за несколько месяцев, опираясь на мощь искусственного интеллекта. Им удалось разработать опытный образец батареи с содержанием лития на 70% меньше относительно ряда альтернатив.

В основе этого прорыва лежит идея твёрдотельных аккумуляторов, в которых отсутствуют жидкие компоненты. Учёные сосредоточили усилия на поиске новых материалов для ключевого функционального элемента подобных батарей - электролита, обеспечивающего перенос заряда. Изначальный массив потенциальных кандидатов насчитывал 23,6 млн соединений - производных традиционных электролитов с модифицированной структурой и частичной заменой атомов лития. Далее на основе алгоритмов AI был произведён расчёт стабильности и эффективности предложенных веществ, а также моделирование их поведения в реальных условиях работы батареи. В итоге за считанные дни первоначальный список сократился до сотен наиболее многообещающих кандидатов, среди которых были обнаружены ранее не изучавшиеся соединения.

После серии дальнейших этапов отсеивания команда исследователей в конечном итоге выбрала один из вариантов, предложенных ИИ, для синтеза в лаборатории. Это соединение выделялось тем, что половина ожидаемых атомов лития в его составе была замещена на натрий. По словам одного из исследователей, Вираджи Муругесана, подобный рецепт электролита является в высшей степени новаторским, а сочетание двух элементов открывает фундаментальные вопросы о физике работы материала внутри батареи.

Команде удалось создать работающий аккумулятор на основе данного вещества, однако его проводимость оказалась ниже, чем у аналогичных прототипов с бóльшим содержанием лития. Как отмечают исследователи, предстоит ещё множество работы по оптимизации новой батареи. Тем не менее, весь процесс - от первого разговора с командой Microsoft до создания функционального устройства, способного зажечь лампочку - занял около девяти месяцев. 

Методы, использованные в работе, являются передовыми с точки зрения инструментов машинного обучения, а результаты приятно впечатляют.

Давайте вместе окунемся в процесс исследования!

Разведка химического пространства

На первый взгляд, задача перебора десятков миллионов потенциальных структур кажется неподъёмной. Однако применение умных алгоритмов на основе искусственного интеллекта позволяет существенно сузить круг поиска, сфокусировав усилия лишь на наиболее перспективных кандидатах.

В данном исследовании генерация структур основывалась на принципе ионной замены в рамках известных кристаллических решёток. Подобный подход уже доказал свою результативность при открытии новых материалов для самых разных применений. Однако в отличие от предыдущих разработок, на этот раз ограничения на основе схожести ионов по свойствам не накладывались. Это позволило существенно расширить пространство поиска.

В качестве наиболее перспективных компонентов твёрдотельных литий-проводящих электролитов было выбрано 54 элемента, выделенных цветом на диаграмме. Поздние переходные металлы и большинство лантаноидов были исключены, поскольку они не характерны для литиевых аккумуляторов. Инертные газы и актиниды также не рассматривались, так как они обычно не пригодны для применения в функциональных материалах. 

Для генерации начального массива структурных кандидатов использовалась актуальная версия Базы кристаллических структур неорганических соединений (ICSD). С помощью инструмента Pymatgen StructureMatcher были найдены наиболее похожие прототипы структур для последующей замены элементов с сохранением валентности. В итоге было сгенерировано 32 598 079 начальных кандидатов на основе упорядоченных структур с целочисленной занятостью узлов, пригодных для обработки квантово-механическими методами.

Как видно из диаграммы, пространственные группы полученных соединений охватывают 184 из 230 возможных групп и представляют все 7 кристаллических систем. По сравнению с предыдущими подходами, в данном случае было расширено количество прототипов, отсутствовал лимит в 50 атомов, а также не применялись ограничения на конкретные типы анионов. Таким образом, спектр сгенерированных кандидатов охватывает подавляющее большинство технически интересных элементов и пространственных групп.

Стоит отметить, что использованный здесь метод замещений носит достаточно широкий, но не обязательно исчерпывающий характер для данного состава. Это отличает его от более узконаправленных, но более детальных подходов к прогнозированию структур вроде AIRSS, USPEX и CALYPSO. 

Процесс скрининга стабильных материалов и твердых электролитов

Исследователи решили элегантно подойти к скринингу столь обширного химического пространства потенциальных кристаллических структур. Понятно, что вручную оценить десятки миллионов вариантов нереально. Поэтому была разработана двухстадийная схема, позволяющая эффективно использовать имеющиеся вычислительные мощности для ускоренной фильтрации кандидатов и выделения наиболее многообещающих соединений для последующего тщательного анализа.

Первый этап включал в себя идентификацию стабильных структур с применением потенциалов, полученных методами машинного обучения. Это дало возможность выполнить структурную релаксацию и оценить термодинамическую фазовую устойчивость относительно реперных данных. Для составов с несколькими полиморфными модификациями отбирали только низкоэнергетическую структуру. Таким образом, на данном этапе 32,6 миллиона исходных кандидатов сократились до 589 609 предположительно стабильных соединений.

Вторая стадия процесса была посвящена выявлению среди обширного пула материалов тех веществ, которые обладают электронными и электрохимическими характеристиками, отвечающими запросам твердых электролитов для аккумуляторов. Сначала применили фильтр, оставив соединения с мольной долей ионов Li на катионных позициях не менее 0,1. Это гарантировало достаточное количество узлов для мигрaции Li+. Далее отсеяли электронные проводники, ориентируясь на ML-предсказанную ширину запрещённой зоны выше 3 эВ. Затем рассчитали окно электрохимической стабильности на основе потенциалов окисления и восстановления, найденных из ML-энергий. Были оставлены только те кандидаты, для которых восстановление было энергетически невыгодно (Ered < 1 В отн. Li/Li+) , а окисление - выгодно (Eox > 3 В отн. Li/Li+).

После быстрого AI-этапа для наиболее многообещающих кандидатов выполнили трудоемкие квантово-механические расчёты методами DFT. Подтвердили предсказанную стабильность, провели MD-моделирование. Оценили ионную проводимость Li через подвижность, где коэффициент диффузии Li рассчитывался при 800 К и 1200 К. Был применен фильтр по константе диффузии D(1200K)/D(800K) < 7, что примерно соответствует барьеру миграции Li менее 0,4 эВ, и D(800K) > 10-5 см2/с. В результате был получен список из 147 соединений, удовлетворяющих всем критериям отбора.

На заключительной стадии второго этапа применили дополнительные фильтры, чтобы отобрать материалы, пригодные для интегрирования в практические батареи с точки зрения стоимости, доступности, механических характеристик и плотности. Наконец, были отклонены материалы с высокой плотностью (более 2,5 г/см3), поскольку массовая плотность обратно пропорциональна энергетической плотности. 

В итоге были выделены 23 финальных кандидата, большинство из которых ранее не были описаны в текстах других исследований, а для возможных разупорядоченных модификаций конечных структур учли энергии альтернативных вариантов упорядочения.

Интеграция Azure Quantum для оптимизации скрининга материалов

При разработке вычислительной инфраструктуры для реализации масштабируемого скрининга материалов исследователи проявили изрядную изобретательность. Основой послужила облачная платформа Azure Quantum Elements от команды Microsoft Azure Quantum. Этот инструментарий обеспечивает доступ к широкому спектру ресурсов высокопроизводительных вычислений – от простых сценариев на Python до ресурсоемких квантово-механических расчётов и моделирования методом молекулярной динамики.

Исследователи реализовали интересную схему. Модели машинного обучения и коды теории функционала плотности были помещены в контейнеры Docker. Эти образы хранятся в приватном контейнерном реестре Azure. В процессе работы виртуальная машина рабочей станции извлекает необходимые контейнеры и монтирует их к файловому хранилищу NetApp. Отсюда они поступают в очереди заданий и масштабируемые наборы виртуальных машин. Распределение задач осуществляет планировщик SLURM.

Число виртуальных машин гибко масштабируется в пределах квоты. Каждое задание запускается в отдельном изолированном контейнере. Статусы заданий и прочие метаданные сохраняются в поисковой базе данных CosmosDB с API доступа MongoDB. Мониторинг состояния ключевых параметров критически важен как для использования прерываемых ВМ в облаке, так и для корректного перезапуска заданий.

В рамках данного исследования около тысячи виртуальных машин было задействовано для оптимизации на основе ML-потенциалов и квантово-механических расчётов методом теории функционала плотности.

Финальные кандидаты 

В итоге ученые остановили внимание на четырёх галогенидах редкоземельных металлов для экспериментальной верификации. В этот список вошли три кандидата, прошедших все сита воронки фильтрации: Li5YCl8, Li7Y2Cl13 и Na2LiYCl6. Помимо них рассмотрели полиморфную Pna21 модификацию известного состава Li3YCl6, также соответствующую заданным критериям.

Известно, что фаза Li3YCl6 кристаллизуется в пространственной группе P-3m1 и демонстрирует беспорядок по узлам Li и Y. Были сгенерированы возможные упорядоченные структуры на основе этой модификации, однако их энергии оказались значительно выше энергии исходной разупорядоченной фазы. Поэтому в дополнение к остальным соединениям был включён перспективный полиморф Li3YCl6 и для дальнейшего исследования.

Все материалы продемонстрировали широкое электрохимическое окно стабильности и большую расчётную запрещённую зону. Кроме того, моделирование показало хорошую ионную проводимость Li при комнатной температуре.

Особый интерес представляет соединение Na2LiYCl6 за счёт проявленных свойств двойной проводимости по ионам Li+ и Na+. Как с фундаментально научной, так и с технологической точки зрения открытие структурной матрицы, обеспечивающей совместную миграцию двух типов щелочных катионов, имеет большой потенциал для расширения пространства проектирования перспективных твёрдых электролитов.

Выводы

Поиск новых функциональных материалов - сложная задача, особенно если речь идёт о веществах для конкретных технологических нужд. Существующие модели искусственного интеллекта - лишь стартовая точка в этом процессе. Чтобы выявить промышленно применимые соединения, необходимы точные предсказания и экспериментальная проверка – трудоемкий и дорогой процесс.

Чтобы ускорить поиск актуальных материалов, первоначальное гигантское пространство потенциальных кандидатов нужно сузить при помощи интеллектуального анализа. В данной работе такой комбинированный подход позволил предложить полмиллиона стабильных и потенциально синтезируемых веществ из первоначальных 32 миллионов. Последующая селекция выявила лишь немногочисленные соединения с нужными характеристиками. В частности, были предсказаны и экспериментально реализованы новые электролиты на основе галогенидов Na, Li и Y для перспективных твердотельных батарей. Показан высокий потенциал подобных структур, способных эффективно размещать ионы Na+ и Li+. Это открывает путь к созданию универсальных аккумуляторных систем с возможными преимуществами по стоимости, надёжности и характеристикам.

Более того, выработанный подход позволил накопить ценные знания о тенденциях изменения ключевых характеристик разных классов материалов. Эта информация послужит надежным компасом в дальнейшем освоении обширных пространств поиска.

Эффективность комплексирования современных методов в очередной раз отлично себя показала. Сочетание мощи облачных вычислений и творческой фантазии искусственного интеллекта позволяет как никогда оперативно прокладывать курс к открытию новых технологически значимых материалов.

Само исследование можно посмотреть тут.

На этом все! Спасибо за прочтение и ждем вас в комментариях!:)