論文の概要: OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes
- arxiv url: http://arxiv.org/abs/2502.14234v1
- Date: Thu, 20 Feb 2025 03:59:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:26:50.016867
- Title: OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes
- Title(参考訳): OBELiX:リチウム固体電解質の結晶構造とイオン伝導率の計算データ
- Authors: Félix Therrien, Jamal Abou Haibeh, Divya Sharma, Rhiannon Hendley, Alex Hernández-García, Sun Sun, Alain Tchagang, Jiang Su, Samuel Huberman, Yoshua Bengio, Hongyu Guo, Homin Shin,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 44.16223940507546
- License:
- Abstract: Solid-state electrolyte batteries are expected to replace liquid electrolyte lithium-ion batteries in the near future thanks to their higher theoretical energy density and improved safety. However, their adoption is currently hindered by their lower effective ionic conductivity, a quantity that governs charge and discharge rates. Identifying highly ion-conductive materials using conventional theoretical calculations and experimental validation is both time-consuming and resource-intensive. While machine learning holds the promise to expedite this process, relevant ionic conductivity and structural data is scarce. Here, we present OBELiX, a domain-expert-curated database of $\sim$600 synthesized solid electrolyte materials and their experimentally measured room temperature ionic conductivities gathered from literature. Each material is described by their measured composition, space group and lattice parameters. A full-crystal description in the form of a crystallographic information file (CIF) is provided for ~320 structures for which atomic positions were available. We discuss various statistics and features of the dataset and provide training and testing splits that avoid data leakage. Finally, we benchmark seven existing ML models on the task of predicting ionic conductivity and discuss their performance. The goal of this work is to facilitate the use of machine learning for solid-state electrolyte materials discovery.
- Abstract(参考訳): 固体電解質電池は、理論エネルギー密度の向上と安全性の向上により、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。
しかしながら、彼らの採用は、電荷と放電速度を管理する、より効果的なイオン伝導率の低下によって妨げられている。
従来の理論計算と実験検証による高イオン導電性材料同定は, 時間と資源の両面から行われる。
機械学習はプロセスの迅速化を約束するが、関連するイオン伝導度と構造データは乏しい。
ここでは,600ドルの合成固体電解質材料のドメイン専門家によるデータベースであるOBELiXと,文献から得られた室温イオン伝導度を実験的に測定した。
各材料は、それらの測定された組成、空間群、および格子パラメータによって記述される。
原子位置が利用可能な約320の構造に対して、結晶情報ファイル(CIF)の形式での完全な結晶記述が提供される。
データセットのさまざまな統計と特徴について議論し、データの漏洩を避けるためのトレーニングとテストの分割を提供する。
最後に, 既存の7つのMLモデルについて, イオン伝導率の予測を行い, その性能について検討する。
本研究の目的は、固体電解質材料発見のための機械学習の利用を促進することである。
関連論文リスト
- 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) - 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) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳(メタデータ) (2023-10-07T21:36:55Z) - 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) - Accurate Surface and Finite Temperature Bulk Properties of Lithium Metal
at Large Scales using Machine Learning Interaction Potentials [9.457954280246286]
我々は,DFTデータに基づく機械学習インタラクションポテンシャル(MLIP)を,実験結果とab-initio結果の再現における最先端の精度に訓練する。
DFTを用いて, 熱力学特性, フォノンスペクトル, 弾性定数の温度依存性, および各種表面特性を正確に予測する。
我々は、ミラー指数面に対する自己吸着エネルギーと最小表面拡散障壁に関連するベル・エバンス・ポラニ関係が存在することを証明した。
論文 参考訳(メタデータ) (2023-04-24T20:09:07Z) - Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte
for Li-Ion Batteries [1.787419386215488]
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。
論文 参考訳(メタデータ) (2022-02-14T14:33:56Z) - Band tail formation in mono and multilayered transition metal
dichalcogenides: A detailed assessment and a quick-reference guide [6.2049692007834505]
遷移金属ジアルコゲナイド(英語版)(TMD)は、様々な超小型電子、量子計算、光電子応用の候補である。
TMD単層および多層系のバンドテールは密度汎関数理論に基づく非平衡グリーン関数によって予測される。
論文 参考訳(メタデータ) (2021-07-21T12:47:58Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - A multiconfigurational study of the negatively charged nitrogen-vacancy
center in diamond [55.58269472099399]
広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。
ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
論文 参考訳(メタデータ) (2020-08-24T01:49:54Z)
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。