High-Throughput-Screening Workflow for Predicting Volume Changes by Ion Intercalation in Battery Materials

Motivation

• Known: Ion intercalation batteries에서 기계적 응력으로 인한 성능 저하 문제가 알려져 있으며, 부피 변화가 1% 미만인 LVC 재료가 오래 사용할 수 있다는 것이 알려져 있다. 또한 Shannon의 ionic radii 테이블과 같이 이온의 산화 상태와 coordination number에 기반한 bond length 예측이 가능하다는 것이 알려져 있다.
• Gap: 기존 연구는 특정 crystal structure type (예: spinel, layered LiXO2)에만 제한되어 있으며, DFT의 높은 계산 비용으로 인해 대규모 screening이 불가능했다. 다양한 구조에 대해 적용 가능하면서도 계산 효율성이 높은 일반적인 screening 방법론이 부재했다.
• Why: LVC 재료는 배터리의 cycle life과 안정성을 크게 향상시킬 수 있으므로 새로운 LVC 재료의 발견이 중요하다. 대규모 screening을 통해 유망한 후보재료를 효율적으로 발굴할 수 있다면 battery 재료 개발을 가속화할 수 있다.
• Approach: Workflow는 두 개의 machine learning 모델로 구성된다: (i) Local structure order parameters (LSOPs)를 입력으로 받아 atom 쌍 간 bond length를 예측하는 MBond 모델, (ii) 예측된 bond length를 사용하여 intercalation 시 부피 변화를 계산하는 MVol. 모델. 두 모델 모두 Materials Project의 DFT 데이터셋(3d TM oxide/fluoride 5602개 구조 쌍)으로 학습 및 검증되었다.

Achievement

Figure 2: Workflow to predict the volume change upon intercalation of ions into a host structure

1. 약 117만 종 transition-metal 화합물 스크리닝: 광범위한 compositional space에서 LVC 재료를 체계적으로 탐색. 2. DFT 검증을 통한 신뢰성 확보: 스크리닝 결과의 유망 후보들을 DFT로 재검증하여 워크플로우의 신뢰성 입증. 3. 다양한 구조 적용 가능성: 학습 데이터셋의 space group에 제한되지 않고 diverse crystallographic structures에 적용 가능한 일반성 달성. 4. 계산 효율성: DFT 대비 훨씬 빠른 screening으로 대규모 후보 재료 탐색 가능.

How

Figure 2: Workflow to predict the volume change upon intercalation of ions into a host structure

• Local structure order parameters (LSOPs)를 통해 각 atom의 local geometric environment를 특징화
• DFT 데이터로 학습한 MBond 모델로 bond length 예측
• 예측된 bond length와 atomic features를 입력으로 MVol. 모델로 부피 변화 계산
• 대규모 스크리닝 후 유망 후보들의 DFT validation 수행
• Materials Project 데이터베이스 기반 3d TM oxide/fluoride 117만 종 scanning

Originality

• Bond length을 machine learning으로 예측하는 대신 ionic radii 합산 방식이 기존 방법이었으나, LSOPs 기반 neural network 모델로 더 정교한 예측 제시
• 단일 structure type에 제한된 기존 연구와 달리 diverse crystallographic structures에 적용 가능한 일반적 framework 개발
• Solid-solution intercalation 가정 하에 local atomic environment의 중요성을 machine learning으로 정량화

Limitation & Further Study

• 학습 데이터 제약: 3d transition-metal oxides/fluorides에만 학습되어 다른 원소나 anion type에 대해서는 신뢰성이 보장되지 않음
• Solid-solution mechanism 가정: Phase transition이 발생하는 재료(예: lithium titanate)는 부정확한 예측 가능성
• 검증 데이터 부족: Screening 결과의 전수 DFT 검증이 아닌 유망 후보만 검증하여 전체 screening 정확도 평가 제한
• 후속 연구: 다른 intercalation ions, structure types, compositional domains에 대한 model 확장 필요

Evaluation

총평: 본 논문은 machine learning 기반의 효율적인 high-throughput screening workflow을 제시하여 LVC battery 재료 발굴에 유의미한 기여를 한다. 117만 종 규모의 대규모 스크리닝과 DFT 검증을 통해 워크플로우의 신뢰성을 입증했으며, diverse crystallographic structures에 적용 가능한 일반성을 보여준다. 다만 학습 데이터의 compositional domain 제약과 solid-solution mechanism 가정이 있으므로, 추후 다른 원소계나 phase transition 재료로의 확장이 필요하다.