基于机器学习方法加速单原子催化剂上多硫化锂吸附的理论研究
材料科学
2022-06-22 v1
摘要
设计出无穿梭效应因而储能容量不随时间衰减的Li-S电池，将使得制造比当前商用锂离子电池性能更优的储能器件成为可能。在单原子催化剂（SAC）基底上计算筛选多硫化锂（LiPS）吸附，极大有助于设计能抵御LiPS从阴极向阳极和电解液穿梭的Li-S电池。为辅助此过程，我们开发了一种机器学习协议，以加速系统映射由DFT计算发现的主导局域极小值，进而快速筛选SAC上的LiPS吸附性质。我们首先通过探测吸附在由Fe-N-C SAC（与四个氮原子结合）修饰的石墨烯上的多硫化锂的势能面来验证该方法。我们识别出的极小值，其结合能优于或与文献先前报道的相当。随后我们转向分析Zn-N-C SAC上的吸附趋势，观察到与Fe-N-C SAC相似的吸附强度和行为，凸显了我们协议良好的预测能力。
引用
@article{arxiv.2112.11537,
title = {Accelerating the theoretical study of Li-polysulphide adsorption on single-atom catalysts via machine learning approaches},
author = {Eleftherios I. Andritsos and Kevin Rossi},
journal= {arXiv preprint arXiv:2112.11537},
year = {2022}
}