Les batteries tout solide (ASSB) sont largement reconnues comme une alternative plus sûre et potentiellement plus dense en énergie que les technologies lithium-ion conventionnelles. Leur performance dépend de manière critique d’une conduction ionique rapide au sein des électrolytes solides. Les méthodes traditionnelles pour identifier de tels matériaux impliquent des processus de synthèse et de caractérisation laborieux, souvent entravés par les limites des modèles computationnels existants à saisir avec précision les comportements ioniques désordonnés à haute température.
La détection et la prédiction d’un mouvement ionique de type liquide dans les matériaux cristallins sont restées un défi majeur, notamment parce que les méthodes computationnelles conventionnelles pour calculer les propriétés des matériaux dans des systèmes dynamiquement désordonnés sont prohibitivement coûteuses en termes de calcul.
Cette étude présente une pipeline accélérée par machine learning (ML) qui intègre des champs de force ML avec des modèles tensoriaux ML pour prédire les spectres Raman, démontrant qu’une intensité Raman basse fréquence significative est un indicateur spectroscopique fiable de conduction ionique de type liquide. Lorsque les ions se déplacent de manière liquide à travers un réseau cristallin, ils perturbent dynamiquement sa symétrie, assouplissant effectivement les règles de sélection Raman. Cette rupture de symétrie produit une diffusion Raman basse fréquence caractéristique qui peut être directement liée à une mobilité ionique élevée. La nouvelle approche permet une précision quasi ab initio dans la simulation des spectres vibrationnels de matériaux complexes et désordonnés à températures finies, tout en réduisant significativement les coûts de calcul. En appliquant ce flux de travail à des conducteurs d’ions sodium comme Na3SbS4, les chercheurs ont démontré que des caractéristiques Raman basse fréquence prononcées, signatures de la rupture de symétrie induite par un transport ionique rapide, servent d’indicateurs fiables d’une conduction ionique rapide. L’approche permet non seulement de rationaliser des observations expérimentales antérieures, mais ouvre aussi des voies pour le criblage à haut débit et la découverte de matériaux superioniques.
L’approche a été validée sur des matériaux conducteurs d’ions sodium, où la méthode a identifié avec succès des signatures Raman claires associées à une conduction ionique de type liquide. Les systèmes présentant de fortes caractéristiques Raman basse fréquence ont été corrélés directement avec une diffusivité ionique élevée et une dynamique de réseau hôte relaxationnelle, tandis que les matériaux dominés par une conduction basée sur des sauts n’ont pas affiché de telles signatures.
En généralisant la rupture des règles de sélection Raman au-delà des systèmes superioniques canoniques, l’étude établit un cadre unificateur pour interpréter la diffusion Raman diffusionnelle à travers diverses classes de matériaux. La pipeline Raman accélérée par ML fait le lien entre les simulations atomistiques et les observables expérimentales, permettant une découverte et une caractérisation plus efficaces des conducteurs d’ions rapides.
Ce travail ouvre une nouvelle voie pour la découverte de matériaux pilotée par les données dans le stockage de l’énergie, offrant un outil puissant pour accélérer le développement de technologies de batteries à l’état solide haute performance.
La recherche a été récemment publiée dans l’édition en ligne de AI for Science, une revue internationale de premier plan dans le domaine de la recherche interdisciplinaire en IA.
Référence : Manuel Grumet, Takeru Miyagawa, Olivier Pittet, Paolo Pegolo, Karin S Thalmann, Waldemar Kaiser, David A Egger. Revealing fast ionic conduction in solid electrolytes through machine learning accelerated Raman calculations[J]. AI for Science, 2026, 2(1): 011001. DOI: 10.1088/3050-287X/ae411a
Article : Revealing fast ionic conduction in solid electrolytes through machine learning accelerated Raman calculations – DOI : Lien vers l’étude
Source : AI For Science
