Accelerating the Search for New Solid Electrolytes : Exploring Vast Chemical Space with Machine Learning-Enabled Computational Calculations
기계학습을 활용한 고체전해질 신 물질 탐색
- 주제어 (키워드) high-throughput screening , solid electrolyte , machine learning , DFT , material informatics , high-throughput screening , 고체 전해질 , 기계학습 , DFT , 물질정보학
- 발행기관 서강대학교 일반대학원
- 지도교수 백서인
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위명 석사
- 학과 및 전공 일반대학원 화공생명공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000076257
- UCI I804:11029-000000076257
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
Discovering new solid electrolytes (SEs) is essential to achieve higher safety and better energy density for all-solid-state lithium batteries. In this work, we report the machine learning (ML) assisted high-throughput virtual screening (HTVS) results to identify new SE materials. This approach expands the chemical space to explore by substituting elements of prototype structures, and accelerates an evaluation of properties by applying various machine learning models. The screening results in a few candidate materials, which are validated by density functional theory (DFT) calculations and Ab-initio molecular dynamics (AIMD) simulations. The shortlisted oxysulfide materials satisfy key properties to be successful SEs. The advanced screening method presented in this work will accelerate the discovery of energy materials for related applications.
more초록 (요약문)
높은 안전성과 에너지 밀도의 전고체전지를 상용화하기 위해서는 기존의 액체 전해질을 대체할 수 있는 새로운 고체 전해질을 발견하는 것이 필요하다. 본 연구에서는 새로운 고체 전해질을 탐색하기 위해 기계학습을 통한 예측으로 후보를 찾는 High Throughput Virtual Screening (HTVS) 방법을 제시한다. 이 방법은 알려진 구조에서 원소를 치환하여 탐색하는 화학 공간을 확장하고, 다양한 기계 학습 모델을 적용하여 특성 평가 및 탐색을 가속화한다. 제시한 HTVS 방법을 통해 밀도 함수 이론(DFT)과 제일원리 분자 동역학(AIMD) 시뮬레이션으로 검증된 유망한 후보 물질을 제시한다. 선정된 옥시설파이드 물질은 성공적인 고체전해질이 되기 위한 주요 특성들을 만족하며, 본 연구에서 제시된 고급 선벽 방법은 관련 응용을 위한 에너지 물질의 발견을 가속화할 것으로 기대된다.
more