Los conductores superiónicos de litio (LSIC- Lithium superionic conductors) desempeñan un papel fundamental en el desarrollo de la próxima generación de baterías de estado sólido. Estas baterías prometen una excepcional conductividad iónica, es decir, alta capacidad y velocidad de carga y una mayor seguridad. Descubrir nuevos LSIC supone un reto considerable debido a la inmensidad del espacio químico, la limitada cantidad de datos etiquetados disponibles y la complejidad de las relaciones entre estructura y función que deben comprenderse para optimizar el transporte iónico.
Un nuevo estudio presenta un marco de aprendizaje topológico multiescala (MTL, por sus siglas en inglés) que combina la topología algebraica con métodos de aprendizaje no supervisado para abordar estos desafíos de manera eficiente. Este planteamiento modela tanto subestructuras con litio como sin litio para extraer características topológicas a múltiples escalas. Además, introduce dos métricas clave para el cribado topológico: la densidad de ciclos y la distancia mínima de conectividad. Estas métricas garantizan una conectividad estructural adecuada y una compatibilidad óptima para la difusión de iones.
Un avance esencial para la tecnología de almacenamiento y la conversión de energía
El descubrimiento de materiales con propiedades excepcionales para el transporte iónico, conocidos como conductores superiónicos, es crucial para impulsar dos tecnologías clave para los vehículos eléctricos: las tecnologías de almacenamiento y la conversión electroquímica de energía (baterías, pilas de combustible y membranas cerámicas.
En este contexto, los conductores superiónicos de litio LSIC destacan como alternativas prometedoras frente a los electrolitos líquidos orgánicos convencionales debido a su alta conductividad iónica, su estabilidad electroquímica y su mayor seguridad. Estas propiedades son fundamentales para mejorar el rendimiento, la densidad energética y la vida útil de las baterías de iones de litio.
A pesar de su potencial, la identificación de nuevos LSIC sigue siendo un desafío considerable. Hasta la fecha, solo unos pocos compuestos basados en litio han demostrado una conductividad comparable a la de los electrolitos líquidos a temperatura ambiente. Este limitado número, junto con la escasez de datos sobre conductividad iónica, dificulta el descubrimiento de nuevos materiales. Además, los métodos experimentales para validar estos compuestos son muy costosos y requieren mucho tiempo, mientras que las técnicas computacionales tradicionales resultan ineficientes para un análisis a gran escala.
El transporte iónico en sólidos, impulsado por la migración de iones de litio a través de canales interconectados dentro de la estructura cristalina, es clave para el rendimiento de los LSIC. La arquitectura de estos materiales, compuesta por iones de litio móviles y subestructuras estáticas libres de litio, determina las vías de migración y las distribuciones energéticas. Estas características evidencian las limitaciones de los descriptores estructurales actuales para captar las diversas características que influyen en el transporte iónico, destacando la necesidad de métodos integrales y cuantitativos para comprender la relación entre estructura y función en estos materiales.
La topología, que estudia la conectividad, dimensionalidad y transformación del espacio, ofrece una herramienta matemática poderosa para analizar datos estructurados en contextos de alta dimensionalidad. Sin embargo, su aplicación convencional puede simplificar en exceso la información, perdiendo detalles estructurales esenciales. En este sentido, la homología persistente, una rama emergente de la topología algebraica, ha demostrado ser eficaz al combinar geometría y topología para comprender las estructuras espaciales de manera más matizada.
Basándose en estos avances, este estudio introduce un marco de aprendizaje topológico multiescala (MTL) para acelerar el descubrimiento de LSIC. Mediante el uso de homología persistente, el marco extrae características topológicas a múltiples escalas de subestructuras con y sin litio, modeladas como complejos simpliciales que capturan interacciones de alto orden preservando la información estructural crítica y proporcionando una representación más precisa de la organización espacial y el papel funcional de estas subestructuras en la conducción de iones.
El marco introduce dos métricas clave y un modelo de aprendizaje automático no supervisado que agrupa los materiales según similitudes en sus características topológicas multiescala. Los resultados muestran que la mayoría de los LSIC conocidos se concentran en grupos específicos, lo que sugiere que otros materiales dentro de estos grupos también podrían tener una prometedora conductividad iónica.
Finalmente, los candidatos seleccionados pasan por un proceso de cribado químico y validación mediante simulaciones computacionalmente intensivas que se aplican únicamente a un subconjunto reducido de materiales, optimizando así los recursos. Este planteamiento integrado no solo reduce los costes de computación y experimentación, sino que también mejora la precisión de los resultados, permitiendo identificar 14 nuevos LSIC, demostrando la eficacia del marco propuesto para acelerar el descubrimiento de materiales avanzados.
Este procedimiento ha permitido identificar 14 nuevos LSIC, de los que cuatro han sido validados de manera independiente en experimentos recientes. Este éxito no solo acelera la identificación de nuevos conductores superiónicos, sino que también demuestra la capacidad de esta metodología para adaptarse a otras áreas de descubrimiento de materiales complejos.
La integración de herramientas avanzadas como el aprendizaje topológico multiescala supone un paso adelante en la búsqueda de materiales innovadores, ofreciendo un método escalable y eficiente para enfrentar los desafíos en este campo tan competitivo.
El estudio ha sido realizado por Dong Chen (School of Advanced Materials Peking University), Bingxu Wang (Shenzhen Graduate School), Shunning Li (China 2Department of Mathematics), Wentao Zhang (Michigan State University), Kai Yang (Department of Electrical and Computer Engineering), Yongli Song ( Michigan State University), Guo-Wei Wei (Department of Biochemistry and Molecular Biology) y Feng Pan (Michigan State University).