論文の概要: Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte
for Li-Ion Batteries
- arxiv url: http://arxiv.org/abs/2202.06763v1
- Date: Mon, 14 Feb 2022 14:33:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 17:06:03.607873
- Title: Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte
for Li-Ion Batteries
- Title(参考訳): 機械学習によるリチウム電池用超イオン固体電解質の発見
- Authors: Seungpyo Kang, Minseon Kim, and Kyoungmin Min
- Abstract要約: Li-Ion固相電解質(Li-SSEs)は、従来のLi-Ion電池(LIBs)の臨界問題を解消する有望な解である
20,237個のLi含有材料中の超イオン性Li-SSEを発見するための機械学習シュロゲートモデルを開発した。
- 参考スコア(独自算出の注目度): 1.787419386215488
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Li-Ion Solid-State Electrolytes (Li-SSEs) are a promising solution that
resolves the critical issues of conventional Li-Ion Batteries (LIBs) such as
poor ionic conductivity, interfacial instability, and dendrites growth. In this
study, a platform consisting of a high-throughput screening and a
machine-learning surrogate model for discovering superionic Li-SSEs among
20,237 Li-containing materials is developed. For the training database, the
ionic conductivity of Na SuperIonic CONductor (NASICON) and Li SuperIonic
CONductor (LISICON) type SSEs are obtained from the previous literature. Then,
the chemical descriptor (CD) and additional structural properties are used as
machine-readable features. Li-SSE candidates are selected through the screening
criteria, and the prediction on the ionic conductivity of those is followed.
Then, to reduce uncertainty in the surrogate model, the ensemble method by
considering the best-performing two models is employed, whose mean prediction
accuracy is 0.843 and 0.829, respectively. Furthermore, first-principles
calculations are conducted for confirming the ionic conductivity of the strong
candidates. Finally, six potential superionic Li-SSEs that have not previously
been investigated are proposed. We believe that the constructed platform can
accelerate the search for Li-SSEs with high ionic conductivity at minimum cost.
- Abstract(参考訳): Li-Ion固相電解質 (Li-SSEs) は, イオン伝導率の低下, 界面不安定性, デンドライト成長など, 従来のLi-Ion電池 (LIBs) の臨界問題を解消する有望な解である。
本研究では,20,237種類のli含有材料の超イオン性li-ssを検出するための高スループットスクリーニングと機械学習サロゲートモデルからなるプラットフォームを開発した。
トレーニングデータベースでは,Naスーパーイオニックコンダクタ(NASICON)およびLiスーパーイオニックコンダクタ(LISICON)型のSSEのイオン伝導率が,前報より得られた。
次に、ケミカルディスクリプタ(cd)と追加の構造特性を機械可読性として用いる。
スクリーニング基準によりLi-SSE候補が選択され、そのイオン伝導率の予測が続く。
次に、サロゲートモデルの不確かさを低減するため、最高の2つのモデルを考慮したアンサンブル法を用い、平均予測精度は0.843と0.829である。
さらに、強候補のイオン伝導性を確認するために第一原理計算を行う。
最後に、これまで研究されていない6つの潜在的超イオンLi-SSEを提案する。
構築されたプラットフォームは、イオン伝導率の高いLi-SSEの探索を最小限のコストで高速化できると考えている。
関連論文リスト
- OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes [44.16223940507546]
固体電解質電池は近い将来、液体電解質リチウムイオン電池を置き換えることが期待されている。
イオン伝導性の高い物質を見つけるには時間と資源がかかる。
OBELiXは、合成固体電解質材料と室温イオン伝導度を実験的に測定したデータベースである。
論文 参考訳(メタデータ) (2025-02-20T03:59:35Z) - Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors [4.7376603774180515]
UMLIP(Universal Machine Learning Interatomic potential)は、その効率性とほぼDFTレベルの精度で、有望なソリューションを提供する。
本研究は, エネルギー, 力, 熱力学特性, 弾性率, リチウムイオン拡散挙動の6つの先進的UMLIPモデルを系統的に評価する。
その結果、MatterSimは、特に複雑な物質システムにおいて、ほぼすべての指標において、他の指標よりも優れています。
論文 参考訳(メタデータ) (2025-02-14T07:55:53Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳(メタデータ) (2024-12-17T15:05:33Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。
得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。
実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
論文 参考訳(メタデータ) (2024-07-24T14:45:25Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳(メタデータ) (2023-07-07T13:48:50Z) - Ablation loading of barium ions into a surface electrode trap [0.0]
トラップイオン量子情報処理は、少量しか利用できない同位体に符号化された量子ビットの恩恵を受けることができる。
レーザーアブレーションは、中性原子やイオンを低体積ターゲットから制御的に解放する方法を提供する。
そこで本研究では, イオン負荷確率を記述するモデルをテストするために, 異なるサイズの表面電極トラップへのアブレーションベースのイオン負荷について検討する。
論文 参考訳(メタデータ) (2023-03-03T18:50:04Z) - Near-Surface Electrical Characterisation of Silicon Electronic Devices
Using Focused keV Ions [45.82374977939355]
シリコンデバイスに低エネルギーイオンを注入する方法を示す。
内部電界が弱いにもかかわらず、感度領域全体から準均一電荷収集効率が得られる。
これは、高品質な熱ゲート酸化物がイオン検出反応で果たす重要な役割によって説明できる。
論文 参考訳(メタデータ) (2022-01-27T06:29:46Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳(メタデータ) (2020-11-02T19:52:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。