通过具有大型语言模型的数据驱动框架揭示固态电池中二价氢化物电解质的复杂性
Qian Wang, Fangling Yang, Yuhang Wang, Di Zhang, Ryuhei Sato, Linda Zhang, Eric Jianfeng Cheng, Yigang Yan, Yungui Chen, Kazuaki Kisu, Shin-ichi Orimo, Hao Li
发布日期: 5/6/2025
摘要
固态电解质 (SSE) 对下一代储能技术至关重要。然而，复杂的离子迁移机制和对“反复试验”方法的依赖阻碍了二价氢化物的探索。传统方法侧重于单一材料和预先定义的路径，效率低下。在此，我们提出了一个数据驱动的人工智能框架，该框架将综合的 SSE 数据库与大型语言模型和从头算元动力学 (MetaD) 模拟相结合，以加速氢化物 SSE 的发现。我们的研究表明，引入中性分子的氢化物具有巨大的潜力，其中 MetaD 揭示了新颖的“两步”离子迁移机制。使用实验和计算数据开发的预测模型可以准确预测各种类型氢化物 SSE 的离子迁移活化能。特别是，一些含有含碳中性分子的 SSE 表现出显著的低活化能，势垒低至 0.62 eV。该框架能够快速识别优化的 SSE 候选者，并为推进可持续能源存储技术建立变革工具。