Открытие твердых электролитов с высокой энтропией: двухэтапная машинно-обучаемая схема, связывающая атомные конфигурации и ионную проводимость

Почему это исследование важно

Современные электромобили и портативные устройства всё чаще полагаются на твердые батареи, которые безопаснее и компактнее, чем распространённые сегодня жидкие аналоги. Ключевой элемент в этой задаче — твердый электролит, материал, через который литиевые ионы перемещаются между электродами батареи. В статье описан новый компьютерный подход для перебора тысяч сложных рецептур электролитов с целью найти те, которые обеспечивают быстрое движение ионов — это может помочь инженерам гораздо эффективнее разрабатывать лучшие твердотельные батареи.

Проблема переполненных химических комбинаций

Учёные обнаружили, что «высокоэнтропийные» электролиты, где многие разные элементы случайным образом разделяют атомные позиции, иногда хорошо проводят литиевые ионы. Но такое химическое разнообразие имеет и обратную сторону. Число возможных комбинаций взрывообразно растёт, и традиционные методики методом проб и ошибок или медленные квантово-механические расчёты нереалистично долго проверяют все варианты. В этих «переполненных» структурах небольшие смещения атомов меняют то, насколько легко ионы могут продвигаться сквозь материал, что делает заранее трудно предсказать выигрышные составы.

Использование «умных» моделей как обходного пути

Авторы решают эту проблему с помощью двухэтапной схемы машинного обучения, построенной вокруг хорошо известного твердого электролита LZSP. На первом этапе они донастраивают существующий нейронный потенциал CHGNet, чтобы он мог аппроксимировать дорогостоящие квантовые расчёты для этого семейства материалов. Эта настроенная модель быстро релаксирует атомные структуры и проводит виртуальные нагревательные тесты, отслеживая, как литиевые ионы перемещаются со временем. Она достигает точности, близкой к доверенным квантовым методам, при сокращении времени вычислений с дней до часов или меньше.

Связь структуры с движением ионов

Второй этап превращает задачу в нечто ещё более быстрое. Вместо того чтобы детально моделировать каждый кандидат, исследователи обучают отдельную модель, связывающую простые структурные признаки с тем, насколько далеко обычно перемещаются литиевые ионы. Они подают на вход такие величины, как количество атомов лития, степень искажения определённых атомных «клеток» и растянутость кристаллической ячейки. Модель учится распознавать, какие комбинации связаны с медленным движением, а какие — с дальними ионными прыжками. С этим обходным путем команда может быстро оценивать ионную подвижность для тысяч гипотетических материалов, не запуская полных симуляций для каждого случая.

Поиск выдающихся твердых электролитов

Вооружившись этой двухступенчатой стратегией, исследователи просканировали огромное пространство пятиэлементных вариантов LZSP, охватив 4575 различных составов. Их модель на основе признаков работает как фильтр, ранжируя кандидатов по ожидаемой ионной подвижности. Затем более детальную симуляцию они применяют только к верхней части списка. Этот конвейер выявил конкретную смесь циркония, гафния, олова, титана и ниобия, которая, по предсказаниям, проводит литиевые ионы примерно в тысячу раз лучше при комнатной температуре, чем исходный LZSP. Расчёты также объясняют почему: правильное сочетание элементов создаёт вакансии лития и лёгкие деформации атомной сетки, что открывает связанные, низкоомные пути для потока ионов при сохранении стабильности решётки.

Что эти результаты означают для будущих батарей

Для неспециалистов ключевая мысль такова: авторы создали умное сито для материалов батарей. Вместо проверки каждой возможной рецептуры с помощью медленных детальных расчётов или лабораторных экспериментов они используют быстрые, обученные модели, чтобы отсеять плохие варианты и выделить небольшую группу, заслуживающую пристального внимания. Этот подход не только указывает на особенно перспективный кандидат в твердые электролиты, но и проясняет, какие структурные признаки способствуют быстрому движению ионов. Поскольку метод универсален, его можно адаптировать к другим твердым электролитам и даже к другим свойствам, предлагая практическую дорожную карту для целенаправленного и экономящего время исследования огромных химических пространств.

Цитирование: Fu, X., Xu, J., Yang, Q. et al. High-entropy solid electrolytes discovery: a dual-stage machine learning framework bridging atomic configurations and ionic transport properties. npj Comput Mater 12, 178 (2026). https://doi.org/10.1038/s41524-026-02041-w

Ключевые слова: твердые электролиты, материалы с высокой энтропией, перенос литиевых ионов, материалы и машинное обучение, твердотельные батареи