详细内容或原文请订阅后点击阅览
人工智能发现隐藏信号，可以解锁更快的固态电池
一种新的人工智能驱动技术可以发现类液体离子运动的拉曼信号，帮助科学家快速识别下一代固态电池的材料。全固态电池（ASSB）被广泛认为是传统锂离子电池的更安全且可能更具能量密度的替代品。它们的性能在很大程度上取决于离子通过固体电解质的速度。寻找材料 [...]
来源:SciTech日报一种新的人工智能驱动技术可以发现类液体离子运动的拉曼信号，帮助科学家快速识别下一代固态电池的材料。
全固态电池 (ASSB) 被广泛认为是传统锂离子电池的更安全、能量密度更高的替代品。它们的性能在很大程度上取决于离子通过固体电解质的速度。寻找能够实现这种快速离子传输的材料传统上需要大量的合成和实验测试。研究人员也依赖计算机模拟，但许多现有的计算方法很难准确地表示离子最自由移动的无序和高温条件。
预测离子何时会以类似液体的方式穿过固体尤其困难。模拟这些复杂系统的标准计算方法需要大量的计算资源，这使得它们对于筛选大量候选材料来说不切实际。
机器学习预测快离子传导的拉曼特征
为了克服这些挑战，研究人员开发了一种机器学习 (ML) 加速工作流程，将 ML 力场与张量 ML 模型相结合来模拟拉曼光谱。他们的结果表明，强低频拉曼强度可以作为类液体离子传导的清晰光谱标记。
当离子以类似流体的方式穿过晶格时，它们的运动会暂时扰乱结构的对称性。这种干扰放宽了正常的拉曼选择规则，并产生独特的低频拉曼散射。这些光谱信号与高离子迁移率密切相关。新方法在模拟实际温度下复杂无序材料的振动光谱时实现了接近从头计算的精度，同时还降低了计算成本。