AI는 전고체 배터리에서 액체와 같은 이온 흐름의 숨겨진 신호를 발견합니다.

또 다른 주요 어려움은 이온이 액체와 같은 방식으로 결정을 통해 이동할 때를 감지하고 예측하는 것입니다. 동적으로 무질서한 시스템의 특성을 계산하려고 시도하는 표준 계산 기술은 극도로 높은 계산 능력을 요구하므로 대규모 연구를 비현실적으로 만듭니다.

기계 학습으로 액체와 유사한 이온 운동의 라만 신호 예측

이러한 과제를 해결하기 위해 연구원들은 ML 역장과 장력 ML 모델을 결합하여 라만 스펙트럼을 시뮬레이션하는 기계 학습(ML) 가속화 워크플로를 개발했습니다. 그들의 연구 결과는 강한 저주파 라만 강도가 액체와 같은 이온 전도의 명확한 분광 지표로 작용할 수 있음을 보여줍니다.

이온이 유체와 같은 방식으로 결정 격자를 통해 이동할 때, 그 움직임은 일시적으로 격자 대칭을 방해합니다. 이 교란은 일반적인 라만 선택 규칙을 완화하고 독특한 저주파 라만 산란을 생성합니다. 이러한 스펙트럼 신호는 높은 이온 이동도에 직접 연결될 수 있습니다.

새로운 접근 방식을 통해 과학자들은 계산 비용을 크게 줄이면서 거의 순정 정확도로 실제 온도에서 복잡하고 무질서한 재료의 진동 스펙트럼을 시뮬레이션할 수 있습니다. Na 등 나트륨이온 전도성 물질에 적용 시₃SBS₄이 방법은 뚜렷한 저주파 라만 특징을 드러냈습니다. 이러한 신호는 빠른 이온 전달로 인한 대칭 파괴로 인해 발생하며 빠른 이온 전도에 대한 신뢰할 수 있는 지표를 제공합니다. 이 결과는 또한 초기 실험 관찰을 설명하는 데 도움이 되며 새로운 초이온 물질에 대한 높은 처리량 스크리닝의 문을 여는 데 도움이 됩니다.

Raman의 초이온 전도체 공개

연구진은 나트륨 이온 전도 시스템을 사용하여 이 방법을 추가로 테스트했습니다. 워크플로우는 액체와 같은 이온 운동과 연결된 라만 시그니처를 성공적으로 식별했습니다. 강한 저주파 라만 특성을 나타내는 물질은 또한 높은 이온 확산성과 호스트 격자의 동적 이완을 보여주었습니다.

대조적으로, 이온 수송이 주로 고정된 위치 사이의 호핑을 통해 발생하는 물질은 이러한 라만 시그니처를 생성하지 않았습니다. 이러한 구별은 라만 신호가 재료 내부의 기본 전송 메커니즘을 어떻게 드러낼 수 있는지를 강조합니다.

첨단 배터리 소재 발굴 가속화

이 연구는 전통적인 초이온 시스템을 넘어 라만 선택 규칙의 분석을 확장함으로써 다양한 종류의 재료에 걸쳐 확산 라만 산란을 해석하기 위한 더 넓은 틀을 제공합니다. ML 가속 Raman 파이프라인은 원자 시뮬레이션과 실험 측정을 연결하여 과학자들이 후보 물질을 보다 효율적으로 평가할 수 있도록 합니다.

이 전략은 에너지 저장 연구에서 데이터 중심 발견을 위한 강력하고 새로운 경로를 소개합니다. 연구자들이 고속 이온 전도체를 신속하게 식별할 수 있도록 지원함으로써 이 방법은 고성능 전고체 배터리 기술 개발을 가속화할 수 있습니다.

이번 연구 결과는 최근 학제간 인공지능 연구에 초점을 맞춘 국제학술지 ‘AI for Science’ 온라인판에 게재됐다.