Festelektrolyte sind zentral für die Entwicklung von Festkörperbatterien (All-Solid-State-Batterien), die vielversprechende Alternativen zu herkömmlichen Lithium-Ionen-Batterien versprechen. Die schnelle Ionenleitung, bei der sich geladene Atome, also Ionen, rasch durch ein festes Kristallgitter bewegen, bestimmt maßgeblich, wie effizient diese Batterien arbeiten können. Die zuverlässige Erkennung und Vorhersage dieses Verhaltens stellt jedoch seit Langem sowohl für Experimentalphysiker und Theoretiker eine Herausforderung dar.
Mobile Ionen (in Orange) bewegen sich durch die atomare Struktur eines Natrium-Festelektrolytmaterials. Durch die Vorhersage seines Raman-Spektrums mithilfe KI-gestützter Berechnungen identifizieren die Autoren Materialien, die sich für Batterien der nächsten Generation eignen. (Illustration: Dr. Manuel Grumet, Dr. Waldemar Kaiser / TUM)
Verfolgung der Ionenbewegung über Raman-Signaturen
Frühere Studien legen nahe, dass Ionen, die sich innerhalb eines Kristalls flüssigkeitsähnlich bewegen, dessen Symmetrie stören können. Diese Störung beeinflusst das Raman-Spektrum des Materials, welches eine Art schwingungsspezifischer Fingerabdruck ist, der mithilfe von Licht gemessen wird. Schnell bewegte Ionen erzeugen eine niederfrequente, diffusive Raman-Streuung, die als eindeutiger Hinweis auf eine hohe Ionenmobilität dienen kann. Die neue Studie, zu der die theoretischen und computergestützten Arbeiten der Forschungsgruppe von Prof. David Egger an der TUM School of Natural Sciences sowie von Kooperationspartnern an der Eidgenössischen Technischen Hochschule Lausanne (EPFL) beitragen, baut auf dieser Erkenntnis auf. Die Forschenden entwickelten eine durch maschinelles Lernen beschleunigte Computermethode, die diese Raman-Signaturen mit hoher Genauigkeit vorhersagen kann. Herkömmliche Berechnungen von Ramanspektren für ungeordnete, dynamisch fluktuierende Materialien erfordern enorme Rechenleistung, wodurch ein breit angelegtes Materials-Screening bislang unpraktikabel war. Durch die Integration von maschinellem Lernen in den Arbeitsablauf konnten die Forschenden die Rechenkosten drastisch senken und gleichzeitig die wissenschaftliche Genauigkeit beibehalten.
Ein Durchbruch für die Identifizierung neuer Energiematerialien
Um die Leistungsfähigkeit der Methode zu demonstrieren, wandte das Team sie auf natriumionenleitende Festelektrolyte an, die eine vielversprechende Alternative zu lithiumbasierten Systemen sind. Die Forschenden konnten eindeutige Raman-Merkmale identifizieren, die mit einer flüssigkeitsähnlichen Ionenbewegung verbunden sind. Damit wurde der Ansatz validiert und gezeigt, dass sich schnelle Ionenleitung allein auf Basis atomistischer Simulationen vorhersagen lässt. Die Ergebnisse zeigen einen neuen Weg auf, die Lücke zwischen theoretischen Simulationen und experimentellen Messungen zu schließen. Dadurch wird ein schnelleres Screening und die gezieltere Entdeckung vielversprechender Elektrolyte für nachhaltige Energietechnologien möglich. Der Ansatz könnte die Suche nach Materialien für leistungsfähige Festkörperbatterien und andere Energiespeicheranwendungen erheblich beschleunigen.
Publikation:
Manuel Grumet, Takeru Miyagawa, Olivier Pittet, Paulo Pegolo, Karin S. Thalmann, Waldemar Kaiser, David Egger. Revealing Fast Ionic Conduction in Solid Electrolytes through Machine Learning Accelerated Raman Calculations, AI for Science, doi: 10.1088/3050-287X/ae411a
Kontakt zum Artikel:
Prof. David Egger
Professor für Theorie funktionaler Energiematerialien
https://theofem.de/
+49 89 289 12390
david.egger(at)tum.de
Weitere Informationen und Links:
- Atomistic Modeling Center des Munich Data Science Institute
- TUM-Oerlikon Advanced Manufacturing Institute
Pressekontakt: