探究 Li$_3$TiCl$_6$ 的锂离子输运性质：一项机器学习分子动力学研究

我们基于机器学习力场（MLFF）进行了大规模分子动力学模拟，以研究阳离子无序 Li$_3$TiCl$_6$ 正极在 25$^\mathrm{o}$C 至 100$^\mathrm{o}$C 六个不同温度下的锂离子输运机制。本工作采用深度神经网络方法和由从头算分子动力学（AIMD）模拟生成的数据，构建了高保真 MLFF。计算了径向分布函数、锂离子均方位移（MSD）、扩散系数、离子电导率、活化能以及与晶体学方向相关的迁移势垒，并与相应的 AIMD 和实验数据进行了比较，以对 MLFF 的准确性进行基准测试。通过 MSD 分析，我们捕获了锂离子动力学的自部分和异部分。后者揭示了锂离子参与了固态材料中鲜有报道的反相关运动。类似地，锂离子动力学的自部分和异部分被用于确定 Haven 比，以描述 Li$_3$TiCl$_6$ 中的锂离子输运机制。从分子动力学获得的轨迹推断，锂离子输运主要通过间隙跳跃进行，这一点已通过随模拟时间变化的层内和层间锂离子位移得到证实。我们模拟计算出的离子电导率（1.06 mS/cm）和活化能（0.29eV）与实验值高度可比。总体而言，机器学习方法与 AIMD 模拟的结合以大幅减少的计算时间解释了 Li$_3$TiCl$_6$ 正极复杂的电化学性质。因此，我们的工作有力地表明，基于深度神经网络的 MLFF 可能是大规模复杂材料的一种有前景的方法。