Solid state lithium- and sodium-ion batteries utilize solid ionicly conducting compounds as electrolytes. However, the ionic conductivity of such materials tends to be lower than their liquid counterparts, necessitating research efforts into finding suitable alternatives. The process of electrolyte screening is often based on a mixture of domain expertise and trial-and-error, both of which are time and resource-intensive. Data-driven and machine learning approaches have recently come to the fore to accelerate learnings towards discovery. In this work, we present a simple machine-learning based approach to predict the ionic conductivity of sodium and lithium-based SICON compounds. Using primarily theoretical elemental feature descriptors derivable from tabulated information on the unit cell and the atomic properties of the components of a target compound on a limited dataset of 70 NASICON-examples, we have designed a logistic regression-based model capable of distinguishing between poor and good superionic conductors with a cross-validation accuracy of over 82%. Moreover, we demonstrate how such a system is capable of cross-domain classification on lithium-based examples at the same accuracy, despite being introduced to zero lithium-based compounds during training. Through a systematic permutation-based evaluation process, we reduced the number of considered features from 47 to 7, reduction of over 83%, while simultaneously improving model performance. The contributions of different electronic and structural features to overall ionic conductivity is also discussed, and contrasted with accepted theories in literature. Our results demonstrate the utility of such a simple, yet interpretable tool provides opportunities for initial screening of potential candidates as solid-state electrolytes through the use of existing data.
Direct calculation of the ionic mobility in superionic conductors
我们描述了一种基于非平衡分子动力学（NEMD）模拟的方法，从第一性原理计算固体离子导体如固体电解质的离子迁移率。计算是在有限厚的材料中进行的，其中施加电场并测量移动离子的动态响应。我们比较我们的结果与那些从扩散计算，在非相互作用的离子近似下，并与实验。该方法对两种银导体$α$-AgI和$α$ I $_5$的离子迁移率提供了很好的定量估计。除了方便和数值鲁棒性，这种方法占离子-离子相关性在一个更低的计算成本比精确的方法。
Bridging the Gap Between Simulated and Experimental Ionic Conductivities in Lithium Superionic Conductors
锂超离子导体（LSC）作为下一代全固态锂离子电池的固体电解质是非常重要的。虽然$ab$ $initio$分子动力学已被广泛应用于研究这些材料，但由于这种模拟的高温和短时间尺度，预测和实验测量的离子电导率和活化能之间往往存在很大的差异。在这里，我们提出了一个战略，以弥补这一差距，使用矩张量势（MTP）。我们表明，使用范德华optB 88功能计算的能量和力训练的MTP产生更准确的晶格参数，这反过来又导致准确预测的离子电导率和活化能的锂$_{0.33}$ La $_{0.56}$ TiO $_3$，锂$_3$ YCl $_6$和锂$_7$ P $_3$ S $_{11}$ LSC。使用optB88 MTP的NPT MD模拟还显示，所有三个LSC在相对较低的温度下在两个准线性Arrhenius制度之间发生转变。这种转变可以追溯到扩散途径的数量和多样性的扩张，在某些情况下，扩散的维度发生了变化。这项工作不仅提出了一种方法来开发高精度的MTP，但也概述了LSC的扩散特性，否则无法通过$ab$ $initio$计算。
Probing Anharmonic and Heterogeneous Carrier Dynamics Across Sublattice Melting in a Minimal Model Superionic Conductor
The University of Osaka（大阪大学）；Nagoya University（名古屋大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）；RIKEN（理化学研究所）；Institute of Integrated Research, Institute of Science Tokyo（东京科学大学综合研究机构）
Deep Potential generation scheme and simulation protocol for the Li10GeP2S12-type superionic conductors
由于计算成本高，使用{ \it ab initio}分子动力学（AIMD）在室温下精确模拟锂离子在电池材料中的扩散过程一直是一个挑战。近年来，由于基于机器学习的原子间势的进步，这种情况发生了巨大变化。在这里，我们实现了深电位发生器计划，以\textit{automatically}产生LiGePS型固态电解质材料的原子间相互作用势。这增加了我们模拟这些材料的能力，在不牺牲{ \it ab initio}精度的情况下，提高了几个数量级。重要的技术方面，如统计误差和尺寸效应进行了仔细研究。我们进一步建立了一个可靠的协议，在实验条件下准确计算锂离子扩散过程，通过调查重要的技术方面，如统计误差和尺寸效应。这样的协议和自动化工作流程使我们能够以更高的效率筛选材料的相关属性。通过使用这里开发的协议和自动化的工作流程，我们得到的扩散系数数据和锂离子扩散的活化能，以及同意与实验。本文的工作为进一步研究锂离子扩散机理和优化固态电解质材料的锂离子导电性能奠定了基础。
Solid-like to Liquid-like Behavior of Cu Diffusion in Superionic Cu2X (X=S, Se): An Inelastic Neutron Scattering and Ab-Initio Molecular Dynamics Investigation
Direct metal nano-imprinting using embossed solid electrolyte stamp
在本文中，我们报告了直接图案化的金属纳米结构使用浮雕固体电化学邮票。微成型固体超离子邮票使用硅模板-类似于聚合物图案的纳米压印光刻-进行了探讨。硫化银（Ag 2S）-一种具有优异微成形性能的超离子导体-作为候选材料进行了研究。研究了超离子压模的重要参数，包括机械性能、成形过程中的材料流动和压印后的特征恢复。观察到在压印以及蚀刻期间优异的特征转移性。为了说明这种方法的能力，还展示了具有6 mm间隙的银纳米天线<10 nm were successfully fabricated. The possibility for large area patterning with stamp diameters >。基于压印的金属图案化允许制造超过二维纳米织物和几个图案化方案的报告。
NASICON solid-electrolyte modification and analysis using ion and neutron beams
Nuclear Physics Institute (NPI) of the Czech Academy of Sciences（捷克科学院核物理研究所）；CNR-ITAE（意大利国家研究委员会应用技术研究学院）；University of Messina. Department of Engineering（墨西拿大学工程学院）；Charles University, Faculty of Mathematics and Physics（查理斯大学数学与物理学院）；Institute of Physics of the Czech Academy of Sciences（捷克科学院物理研究所）
Machine Learning Prediction Models for Solid Electrolytes based on Lattice Dynamics Properties
Kyungpook National University（庆北国立大学）；Sungkyunkwan University（成均馆大学）；Harvard University（哈佛大学）；Korea Research Institute of Chemical Technology（韩国化学技术研究院）
Combining physical models with dynamically acquired experimental information for the optimization of multicomponent NASICON fast ionic conductors in a self-driving laboratory
University of California Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Argonne National Laboratory（阿贡国家实验室）；Bakar Institute of Digital Materials for the Planet, UC Berkeley（加州大学伯克利分校巴克拉星球数字材料研究所）；Vanderbilt University（范德堡大学）
Strain-Dependent Ionic Transport in Li3YCl6 Solid Electrolytes
William A. Brookshire Department of Chemical and Biomolecular Engineering, University of Houston（休斯顿大学威廉·A·布鲁克夏尔化学与生物分子工程系）；Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China（电子科技大学前沿科学与工程学院）
Predicting ionic conductivity in solids from the machine-learned potential energy landscape
National University of Singapore（新加坡国立大学）；Institute for Functional Intelligent Materials（功能智能材料研究所）；Centre for Advanced 2D Materials（先进二维材料中心）；HSE University（俄罗斯高等经济大学）；Faculty of Computer Science（计算机科学学院）；Yale-NUS College（耶鲁-新加坡大学学院）；Department of Materials Science Engineering（材料科学与工程系）；Department of Physics（物理系）；Constructor Knowledge Labs；Constructor University
Li4-xGe1-xPxO4 a potential solid-state electrolyte for all-oxide microbatteries
用于锂离子电池的固态电解质正引起越来越多的关注，因为它们可以制造更安全的电池，也可以使用锂金属阳极。本文研究了锂超离子导体（LISICON）家族中的一种化合物，即Li_（4-x）Ge_（1-x）P_xO_4（LGPO）。通过脉冲激光沉积来沉积薄膜，并将其电性能与陶瓷颗粒进行比较。微观结构的详细表征表明，薄膜可以在较高的温度下沉积完全结晶，但在室温下也可以部分非晶。电导率不会受到晶界存在、暴露于空气或锂不足的强烈影响。采用第一性原理分子动力学模拟计算了理想LGPO晶体在不同温度下的锂离子扩散分布和电导率。模拟给出了无缺陷晶体的电导率上限，在300 ℃时为10-2 S cm-1。薄膜制备的容易性、在几μ S cm-1范围内的室温Li离子电导率使得LGPO成为用于薄膜全固态全氧化物微电池的非常有吸引力的电解质材料。
