机器学习势函数揭示硫代砷银矿超离子导体中阴离子无序与锂离子传输的协同机制

来自前沿的研究团队通过机器学习原子间势（MLIPs）系统研究了溴掺杂硫代砷银矿（thioarsenate argyrodite）超离子导体的相稳定性和锂离子传导机制。研究发现适度的阴离子位点无序（S/Br inversion）可显著提升笼间连通性与长程离子电导率（达50 mS cm?1），并提出构型熵作为定量描述符。该研究为设计高导电性且结构稳定的新型固态电解质提供了理论依据与高效模拟范式。

　　

锂硫代砷银矿固态电解质Li₆PS₅Cl因其高离子电导率在全固态电池中备受关注，而离子取代可进一步优化其性能。尽管已有多种取代策略被研究，硫代砷酸盐银矿体系仍相对未被充分探索。本研究结合第一性原理计算与机器学习原子间势（Machine Learning Interatomic Potentials, MLIPs）的分子动力学模拟，系统揭示了溴掺杂硫代砷酸盐银矿超离子导体的相稳定性和锂离子传输机制。

研究表明，硫/溴（S/Br）位点无序的适度调控可显著增强笼间连通性，并促进锂离子的长程迁移。构型熵可作为阴离子无序的有效定量描述符，与离子电导率呈现强相关性。尽管位点无序和较高溴含量可诱导更强的无序性，使离子电导率提升至50 mS cm^?1，但同时也降低了结构稳定性。这一权衡关系表明存在一个最优窗口：适度的无序水平可在保持合成可行性的同时实现超过20 mS cm^?1的高电导率。

本研究凸显了机器学习原子间势在揭示离子传输机制和加速新型超离子银矿材料设计中的可靠性与高效性。