高熵固态电解质发现：连接原子构型与离子传输性质的双阶段机器学习框架
材料科学
2025-05-27 v1
摘要
计算材料科学的快速发展，得益于机器学习 (ML)，正逐渐为解决数个先前难以攻克的科学问题提供解决方案。其中最突出的是机器学习原子势 (MLIPs)，它加速了大规模系统动力学方法的研究。然而，一项充满前景的领域——高熵 (HE) 固态电解质 (SEs) 仍受制于试错范式，缺乏系统性计算策略来解决其巨大且高维的组成空间问题。本文构建了一个双阶段ML框架，将微调后的MLIPs与可解释的特征-属性映射相结合，以加速高熵SEs的发现。以锂硅磷氧氟物质 (LiZrSiPO, LZSP) 为原型，基于CHGNet的精炼提供每个构型的原子结构，结构特征——均方位移 (SF-MSD) 模型预测离子传输性质并识别关键描述子。理论研究表明，该框架能满足计算效率、概括可靠性和预测准确性等多项要求。在包含4575个构型的五元HE-LZSP空间中，识别出一种最具前景的元素组合，其高离子导电率达4.53 mS/cm。该框架具有良好的可推广性和可扩展性，可适用于其他电解质系列。
引用
@article{arxiv.2505.18571,
title = {High-Entropy Solid Electrolytes Discovery: A Dual-Stage Machine Learning Framework Bridging Atomic Configurations and Ionic Transport Properties},
author = {Xiao Fu and Jing Xu and Qifan Yang and Xuhe Gong and Jingchen Lian and Liqi Wang and Zibin Wang and Ruijuan Xiao and Hong Li},
journal= {arXiv preprint arXiv:2505.18571},
year = {2025}
}