基于文献构建的电池材料离子迁移障碍数据集

任何电极或固态电解质材料的放电性能严重依赖于控制离子迁移的迁移障碍 ($E_m$)，这是一个难以实验和计算估计的数量。构建和验证能够精确预测 $E_m$ 的机器学习（ML）模型的基础，lie in 包含 $E_m$ 的高质量数据集的可用性。为满足这一关键要求，我们提出了一个综合数据集，包含 619 个来自文献报告的 $E_m$ 值，这些值是使用基于密度泛函理论的 nudged 弹性带计算得出的，涵盖 443 种成分和 27 个结构族，这些成分和结构族被探索用于电池中的电极或固态电解质。我们的数据集包括对应于完全充电和/或放电状态的成分，以及在特定情况下包含中间成分。关键的是，对于每个化合物，我们的数据集提供结构信息，包括迁移离子的初始和最终位置，以及其对应的 $E_m$，以易于使用的 .xlsx 和 JSON 格式呈现。我们设想该数据集将是科学社区的极其有用的资源，促进开发能够精确预测 $E_m$ 的高级 ML 模型，以加速材料发现。