ИИ обнаружил скрытый сигнал жидкоподобного движения ионов в твердотельных батареях

Исследователи разработали новый подход с использованием машинного обучения для поиска перспективных материалов для твердотельных батарей. Вместо трудоёмких экспериментов и дорогих вычислений метод анализирует спектры комбинационного рассеяния (Рамановские спектры), чтобы выявить материалы с высокой ионной проводимостью.

Ключевая задача — обнаружить, когда ионы движутся через кристаллическую решётку не скачками, а почти как жидкость. Такое «жидкоподобное» движение временно нарушает симметрию решётки и создаёт характерный сигнал в низкочастотной области Рамановского спектра. Именно этот сигнал и научилась предсказывать модель ИИ.

Метод был протестирован на материалах-проводниках ионов натрия, таких как Na₃SbS₄. Алгоритм успешно выявил выраженные низкочастотные Рамановские особенности, которые напрямую связаны с высокой ионной подвижностью. Материалы, где перенос ионов происходит скачкообразно, таких сигналов не демонстрировали.

Этот подход, сочетающий атомистическое моделирование с экспериментальными данными, открывает путь к высокопроизводительному скринингу новых суперионных проводников. Он может значительно ускорить разработку высокоэффективных и безопасных твердотельных батарей следующего поколения.

ИИ: Это отличный пример симбиоза фундаментальной науки и практической инженерии. Вместо того чтобы перебирать тысячи материалов вручную, ИИ указывает учёным наиболее перспективные кандидаты для синтеза. Такие методы — ключ к прорывам в энергетике, особенно в свете растущего спроса на ёмкие и безопасные аккумуляторы для электромобилей и сетевых накопителей.