지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술대회자료
- 저자정보
- 발행연도
- 2023.11
- 수록면
- 1,288 - 1,292 (5page)
이용수
이 논문의 연구 히스토리 (2)
2024
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Research in all-solid-state batteries (ASSBs) has surged due to their improved energy density and safety over liquid-based lithium-ion batteries. To enhance electrochemical performance, stable solid-state electrolytes (SSEs) are crucial. This study employed a novel machine learning (ML) screening platform to explore 161,280 high-entropy (HE) garnet-type SSE originated from known Li₇La₃Zr₂O<SUB>12</SUB> (LLZO) structures. Initially, an ML-based surrogate model identified electronconductive (bandgap ＜ 1 eV) and thermodynamically unfavorable (energy above hull ＞ 0.035 eV) materials to prevent short-circuits and decomposition. A recently developed ML interatomic potential (M3GNet) guided atomic arrangement for stability. Elastic properties were predicted to ensure dendrite suppression and interfacial stability. Molecular dynamics using M3GNet confirmed Li diffusivity. In conclusion, 23 promising HE garnet materials were identified for advanced ASSBs with these methods.
목차
Abstract
1. INTRODUCTION
2. METHODS
3. 결론
참고문헌
참고문헌 (0)
참고문헌 신청이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0