基于机器学习实现电子结构、统计力学与相场理论跨尺度关联的 Li$_x$CoO$_2$ 相稳定性研究
材料科学
2021-04-26 v2 机器学习
计算物理
摘要
LiO（TM={Ni, Co, Mn}）是极具前景的锂离子电池正极材料，其电化学循环性能在原子尺度上强烈受控于晶体结构与作为锂含量函数的相稳定性。在此，我们以 LiCoO（LCO）为模型体系，基准测试一种跨尺度关联框架，该框架将原子尺度的密度泛函理论（DFT）计算与连续尺度的相场建模相结合，以理解相稳定性对微观结构演化的影响。这一跨尺度关联通过传统统计力学方法与可积分深度神经网络相结合来实现，使得特定原子构型的生成能得以粗粒化并纳入材料的神经网络自由能描述中。所得真实自由能函数支持具有原子尺度信息的相场模拟。这些计算结果使我们能够将 LCO 正极随温度、形貌与颗粒尺寸发生的退化实验工作联系起来。
引用
@article{arxiv.2104.08318,
title = {Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale bridging between electronic structure, statistical mechanics and phase field theories},
author = {Gregory H. Teichert and Sambit Das and Muratahan Aykol and Chirranjeevi Gopal and Vikram Gavini and Krishna Garikipati},
journal= {arXiv preprint arXiv:2104.08318},
year = {2021}
}