From Composition to Ionic Conductivity: Machine Learning‐Guided Discovery and Experimental Validation of Argyrodite‐Type Lithium‐Ion Electrolytes

电解质 离子键合 离子电导率 材料科学 快离子导体 电池(电) 导电体 电导率 纳米技术 计算机科学 储能 能量(信号处理) 信息学 离子液体 活化能 无机化学 实验数据 材料信息学
作者
Songjia Kong,Ziheng Yu,Naoki Matsui,Michiyo Kamiya,Yudai IWAMIZU,Yuki Tanaka,Nobuko Kubota,Kuniharu Nomoto,Satoshi HORI,Masaaki Hirayama,Kota Suzuki,Ryoji KANNO
出处
期刊:Small [Wiley]
卷期号:: e09918-e09918
标识
DOI:10.1002/smll.202509918
摘要

Abstract The discovery of solid‐state electrolytes (SSEs) with high lithium‐ion conductivities is critical for advancing all‐solid‐state batteries. However, prior efforts have largely focused on structure‐driven design. This study presents a composition‐based machine learning framework, Elements‐To‐Ionics (E2I), for the accurate prediction and optimization of the ionic conductivities of argyrodite‐type SSEs using only their elemental compositions. Guided by these predictions, a series of Si–Sn, Ge–Si, and Ge–Sn co‐substituted argyrodites are synthesized. Li 6.7 Ge 0.595 Si 0.105 P 0.3 S 5 I achieves the highest ionic conductivity (7.2 × 10 −3 S cm −1 ) with a low activation energy (0.20 eV). Using hot‐pressing to optimize the conductivity, values comparable to those of Li 10 GeP 2 S 12 ‐type superionic conductors are achieved (>10 −2 S cm −1 ). The developed model reliably identifies both high‐ and low‐conductivity regions and significantly reduces the experimental workload. These results highlight the potential of composition‐based informatics for accelerating the discovery of high‐performance SSEs within complex chemical spaces, and provide a valuable methodology for the development of next‐generation solid‐state battery technologies.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
samxie完成签到,获得积分10
1秒前
十七完成签到,获得积分10
1秒前
Ye完成签到,获得积分10
2秒前
2秒前
ang完成签到,获得积分10
2秒前
2秒前
ding的应助被科研通管家采纳,获得10
2秒前
Owen的应助被科研通管家采纳,获得10
3秒前
勤奋一一的应助被科研通管家采纳,获得10
3秒前
李爱国的应助被科研通管家采纳,获得10
3秒前
让我准点毕业吧完成签到,获得积分10
3秒前
勤奋一一的应助被科研通管家采纳,获得10
3秒前
NexusExplorer的应助被科研通管家采纳,获得10
3秒前
丰富语蕊的应助被科研通管家采纳,获得10
3秒前
李礼理锂鲤完成签到,获得积分10
3秒前
在水一方的应助被科研通管家采纳,获得10
3秒前
小二郎的应助被科研通管家采纳,获得10
3秒前
lx的应助被科研通管家采纳,获得20
4秒前
molihuakai的应助被科研通管家采纳,获得10
4秒前
ding的应助被科研通管家采纳,获得10
4秒前
小蘑菇的应助被科研通管家采纳,获得10
4秒前
wanci的应助被科研通管家采纳,获得30
4秒前
今后的应助被科研通管家采纳,获得10
4秒前
4秒前
Hello的应助被科研通管家采纳,获得10
4秒前
完美世界的应助被科研通管家采纳,获得10
4秒前
Jasper的应助被科研通管家采纳,获得10
5秒前
molihuakai的应助被科研通管家采纳,获得10
5秒前
温以凡完成签到 ,获得积分10
6秒前
大个的应助被欣欣采纳,获得10
7秒前
zhangyuting完成签到 ,获得积分10
7秒前
8秒前
上官若男的应助被whb采纳,获得20
8秒前
9秒前
标致数据线完成签到,获得积分10
9秒前
9秒前
9秒前
科研通AI6.3的应助被好果汁采纳,获得10
10秒前
10秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
八旗制度の研究 600
Boundaries and Bodhisattvas 500
高分子基功能界面水蒸发材料与应用研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8181823
求助须知:如何正确求助?哪些是违规求助? 9571511
关于积分的说明 21818391
捐赠科研通 7778076
什么是DOI,文献DOI怎么找? 3433524
关于科研通互助平台的介绍 2557696
邀请新用户注册赠送积分活动 2479614