Quadro di ottimizzazione bayesiana basato sulla mappatura degli elementi che consente la progettazione diretta dei materiali: uno studio di caso sui materiali catodici di tipo NASICON

Scorciatoie più intelligenti per batterie migliori

Progettare nuovi materiali per batterie ha tradizionalmente significato anni di tentativi ed errori in laboratorio e in simulazione. Questo studio mostra come una strategia di ricerca più intelligente possa accelerare drasticamente quel processo, usando insieme statistica e chimica per individuare gli ingredienti promettenti per le batterie a ioni di sodio di nuova generazione, un'alternativa a basso costo rispetto alle celle agli ioni di litio attuali.

Perché ci servono nuove ricette per le batterie

Le batterie agli ioni di litio alimentano telefoni, laptop e auto elettriche, ma il litio è relativamente scarso e costoso. Le batterie a ioni di sodio, che impiegano il comune sodio del sale da cucina invece del litio, emergono come un'opzione più economica e sostenibile. Un materiale a base di sodio particolarmente promettente, chiamato NVPF, offre già ricarica rapida e alta tensione di esercizio. Tuttavia, non riesce a sfruttare completamente tutto il sodio disponibile, lasciando capacità preziosa inutilizzata. Quando si aggiunge sodio extra, il materiale entra in uno stato di “eccesso di sodio” che è termodinamicamente instabile e opera al di fuori della finestra di tensione sicura e pratica usata nei dispositivi reali. Stabilizzare questo stato ricco di sodio senza danneggiare la struttura cristallina è una sfida chiave per rendere le batterie a ioni di sodio davvero competitive.

Una mappa per esplorare la tavola periodica

Cercare versioni migliori di NVPF significa provare molti modi per sostituire gli atomi di vanadio nella sua struttura con altri metalli. Il numero di possibili combinazioni di elementi esplode rapidamente, e testare ciascuna con simulazioni quantistiche dettagliate è troppo costoso. Gli autori affrontano questo problema usando l'ottimizzazione bayesiana — una strategia che sceglie il prossimo esperimento più informativo basandosi su quanto già appreso. Tuttavia i metodi bayesiani standard preferiscono input numerici continui, non variabili categoriche discontinui come i nomi degli elementi. Per colmare questa lacuna, il gruppo ha ideato uno schema di “mappatura degli elementi” che traduce ogni elemento in un punteggio numerico continuo che riflette il suo comportamento quando sostituisce il vanadio in NVPF. Questi punteggi, derivati da calcoli quantistici, catturano quanto facilmente ciascun elemento accetta elettroni durante la carica e la scarica della batteria.

Trasformare la chimica in un paesaggio fluido

Codificando ogni elemento come un punteggio unario continuo, l'insieme una volta discreto di scelte diventa un paesaggio chimico liscio che l'ottimizzazione bayesiana può percorrere. L'algoritmo propone una coppia di elementi da testare, i ricercatori calcolano come quella combinazione influisce sul profilo di tensione teorico del materiale, e quindi una funzione di punteggio premia i casi in cui tutte le tensioni della batteria rientrano ordinatamente nella finestra desiderata di 2,5–4,3 volt. Questo nuovo punto dati aggiorna il modello statistico, che suggerisce la successiva combinazione più promettente. Poiché i punteggi unari sono strettamente legati al reale comportamento di carica del materiale, il paesaggio risultante è relativamente liscio e facile da prevedere, permettendo all'ottimizzatore di concentrarsi rapidamente sulle regioni più promettenti invece di vagare alla cieca.

Trovare catodi migliori con meno tentativi

Utilizzando questo quadro, gli autori hanno esplorato miscele binarie di 35 metalli possibili che potrebbero sostituire il ruolo del vanadio nella struttura NVPF. Su centinaia di combinazioni teoriche, il loro algoritmo ha impiegato solo 50 iterazioni per scoprire 16 composizioni le cui tensioni calcolate ricadono tutte nella finestra pratica della batteria. Molte di queste ricette favorevoli coinvolgevano palladio, renio, tungsteno o piombo in varie proporzioni, ma due combinazioni sono emerse come particolarmente realistiche se si considerano costo, densità energetica e tossicità: una miscela di manganese con vanadio e un'altra di cobalto con vanadio. Ulteriori analisi della struttura elettronica hanno mostrato che queste sostituzioni aiutano accettando più carica elettronica rispetto al vanadio puro, specialmente nello stato ricco di sodio, il che contribuisce a stabilizzare il sodio extra invece di innescare cambiamenti strutturali dannosi.

Oltre il tentativo e l'errore nella scoperta dei materiali

Per i non specialisti, il messaggio chiave è che gli autori hanno costruito una sorta di GPS intelligente per la tavola periodica. Convertendo ogni elemento in un numero consapevole della chimica e inserendolo in un ciclo di ottimizzazione bayesiana, possono concentrarsi su materiali catodici ad alte prestazioni con molte meno simulazioni costose rispetto alle ricerche a griglia tradizionali o anche rispetto ad alcuni selezionatori moderni basati su deep learning. Nel loro caso di prova, questo approccio non solo ha identificato più nuove composizioni candidate per catodi di batterie a ioni di sodio, ma ha anche spiegato perché funzionano — perché gli elementi scelti possono ospitare in modo sicuro più elettroni e sodio a tensioni utili. La stessa strategia potrebbe essere adattata a molte altre sfide nei materiali, dai catalizzatori alle leghe, ovunque gli scienziati debbano cercare in vasti spazi combinatori aghi rari e ad alte prestazioni in un pagliaio.

Citazione: Park, S., Shim, Y., Hur, J. et al. Element mapping-based Bayesian optimization framework enabling direct materials design: a case study on NASICON-type cathode materials. npj Comput Mater 12, 92 (2026). https://doi.org/10.1038/s41524-026-01958-6

Parole chiave: batterie a ioni di sodio, ottimizzazione bayesiana, scoperta dei materiali, progettazione delle catodi, mappatura degli elementi