从迁移势垒到扩散网络:快速离子传输的材料设计原则
《Acta Materialia》:From migration barriers to diffusion networks: Materials design principles for fast ion transport
【字体:
大
中
小
】
时间:2026年10月24日
来源:Acta Materialia 10.7
编辑推荐:
## 摘要
nudged elastic band(NEB,弹性带)计算通常用于评估晶体离子导体中的迁移势垒,但对于拥有众多可移动离子位点和可能跳越事件的体系而言,穷举所有路径是不切实际的。本研究发展了一个具有拓扑感知能力的扩散网络框架,将晶体结构转化为迁移图,并将长程离子
## 摘要
nudged elastic band(NEB,弹性带)计算通常用于评估晶体离子导体中的迁移势垒,但对于拥有众多可移动离子位点和可能跳越事件的体系而言,穷举所有路径是不切实际的。本研究发展了一个具有拓扑感知能力的扩散网络框架,将晶体结构转化为迁移图,并将长程离子输运视为网络性质而非单次跳跃的性质。在预测之前,每个候选跳跃通过化学和环境瓶颈描述符进行表征,图的拓扑仅在预测势垒映射回对应候选网络之后才进行评估。由此构建的图谱支持一个具有物理可解释性的设计准则:局部瓶颈几何结构决定单次跳跃的固有难度,而网络连通性决定该跳跃是否对长程输运有所贡献。关键的桥接边和渗透限止边即便不是势垒最低的边,也可能主导扩散响应。网络分析可识别主导扩散主干、渗透阈值和输运瓶颈。本研究以NASICON型导体作为外部一致性案例,与文献报道的钠离子通道进行对照。该框架提供了用于筛选固态电解质、混合离子导体及其他扩散控制型功能材料的结构–网络描述符。
## 引言
晶体中的离子输运受两个尺度事件的控制。在局部尺度上,可移动离子或空位通过鞍形势垒环境在相邻位点之间移动;在器件尺度上,众多此类跳跃连接构成长程扩散网络。实际挑战在于确定哪一类跳跃控制长程输运,而不仅仅是计算单个迁移势垒。一个有利的跳跃只有在它构成横跨晶体的连通路径、能够穿越局部瓶颈且不被困在不连通区域中时才是有用的。这一区分在固态离子学中广为人知:快速导体通常以通道、瓶颈、连通空腔和渗透路径来讨论,而非仅以平均成分来描述 [1]–[7]。例如,对LiTi?(PS?)?和Li?P?S??的特定材料扩散景观研究解析了局部过程的分布,其重要性取决于它们与长程运动之间的关联 [8],[9]。
NEB方法及其攀升图像变体仍是计算指定路径上迁移势垒的核心工具 [10],[11]。自动化的最低能量路径算法已被开发用于减少离子材料中阳离子迁移的人工路径构建 [12]。NEB的物理可解释性在于它能够解析两个局部极小之间的最低能量路径和鞍点。然而,这类方法作为盲搜索工具使用时会面临困难。复杂晶体包含许多候选可移动离子位点、多种不等价的相邻跳跃、若干合理的缺陷状态以及众多局部相似但拓扑上不同的边。即使不考虑收敛测试、超胞尺寸、电荷补偿或交换关联泛函依赖性,穷举计算所有NEB势垒也会非常耗时。在实践中,通常只能手动选择少量路径。所得数据很有价值,但往往被组织为孤立的势垒标签,而非作为扩散图中边的图谱。
现有的基于结构的方法已经指出了这一图论视角。键价分析、Voronoi分解晶体结构分析(CAVD)和基于几何的孔分析等方法通过考察局域配位、空腔大小、自由球体和可及通道来识别有利于离子运动的区域 [13]–[15]。亚晶体电子密度的拓扑分析为筛选复杂固态导体中的离子输运路径提供了另一条低成本途径 [16]。类Voronoi自由体积描述符和局域环境度量被用于表征可移动离子和瓶颈周围的立体自由度 [17]。网络增加了一层:连通性、中心性、中介性和渗透性描述了哪些边控制图的通信 [18],[19]。在扩散图中,这些处理映射为与输运相关的陈述。一个低势垒边如果属于一条渗透路径,就可以对长程运动有所贡献。移除一条桥接边可能会打断一个连通分量。一个局域中等势垒如果连接了原本分离的两个低势垒区域,也可能具有重要影响。晶体到图的转换、连通分量分析和周期性拓扑形式化体系已经建立,包括基于pymatgen的结构工作流 [20],[21]和周期性迁移图分析 [22]。在上述基础之上,本研究整合了一个具有来源追溯的文献势垒图谱、具有物理动机的NEB前边描述符、泄漏控制的公式–物种分组评估、精确周期性网络分析和用于选择后续迁移路径的网络驱动准则。这一整合将异构孤立的势垒记录与结构特定的周期性扩散网络和材料设计决策联系起来。需要指出的是,迁移图构建和渗透分析本身并非新概念。
机器学习(ML)现在已广泛用于材料发现 [23]–[25]。近期的材料ML研究涵盖通用和电池专注的工作流、领域知识驱动的反应和离子输运描述符、部分占位感知学习和降维电化学模型 [26]–[32]。对于晶体材料,基于描述符的表格模型和图神经网络都能成功预测多种单值性质 [33]–[36]。然而,离子扩散提出了更具针对性的挑战。当机器学习模型被期望推广到新材料和迁移路径时,随机训练–测试划分可能给出过于乐观的结果:来自同一公式–迁移离子族的非常相似的路径可能被同时放入训练集和测试集,使模型识别出熟悉材料族而非学习可迁移的关系。第二个高估来源出现在机器学习输入从已知迁移势垒计算得到时,例如势垒加权的随机游走量。此类输入间接包含了待预测的答案,导致目标泄漏。因此,在比较模型性能之前,必须确保数据划分和输入特征都不会提前泄露答案。即使避免了这些问题,随机划分准确率和平均绝对误差(MAE)描述的是单条路径的预测误差,并不能全面评估一个用于扩散筛选的模型。筛选任务所问的是低势垒路径是否连接成连续扩散网络,以及哪些路径对维持该连通性最为重要。因此,我们将瓶颈半径、连通性、关键边响应和渗透阈值视为材料描述符,而非仅仅是后处理量。在本工作中,记录按公式和迁移离子进行分组,拓扑相关和势垒衍生的图论量被排除在势垒模型输入之外,低势垒检索在测试前固定阈值进行评估。此处定义的网络关键边是指移除后改变模型推导的周期性可达性阈值的边。这一指定本身并非对离子电导率或实验活化能的直接预测。
本研究为上述任务发展了一个具有拓扑感知能力的迁移路径图谱。该模型旨在补充NEB而非取代NEB。它将众多可能的跳跃转化为具有网络意识的假设,判断哪些路径在局部是开放的、哪些路径对输运有意义、哪些边值得尽早进行匹配的NEB后续计算。在实践中,目标从孤立的势垒预测转变为结构–网络–输运设计问题:什么样的结构能形成高效的扩散网络?这一框架与固态电解质、混合离子导体、阻变氧化物及其他扩散控制型功能材料相关 [37]。势垒模型使用在新NEB计算之前可获取的成分和端点路径信息。周期性拓扑在下游针对每个结构–离子对独立构建的图进行评估。输出是一个排序且可追溯的假设,而非实测输运系数。当前表示方法是静态的、单粒子和基于端点路径的。协同迁移、敲击过程、相关空位运动、聚阴离子旋转和框架动力学在物理上是可能的,但未被当前边表示显式描述 [38]–[42],因此本方法是对NEB、分子动力学和动力学建模的补充而非替代。
钠超离子导体(NASICON)族被用作一个刻意具有挑战性的案例研究,而非无条件迁移到所有离子导体的证据。其可识别的钠亚晶格和氧三角瓶颈自然地映射为节点和候选跳跃。其已建立的三维通道使周期性缠绕既非平凡又可供检验,而其取代空间则改变钠占位率、瓶颈几何和迁移机制 [43]–[46]。同一体系也暴露了静态单离子图的局限,因为相关/间隙位运动、载流子浓度、加工和晶界可能改变实测电导率,而这些因素不由单一边势垒决定 [47]–[50]。因此,NASICON既因其结构可解释性,也因其能够揭示当前推断必须止步之处而被选用。
### 分段摘录
#### 图谱构建与局域路径信息
图1所示工作流将一组已报道的迁移势垒转化为边级扩散网络。这些已报道的势垒和晶体结构首先被重新组织为候选可移动位点和迁移边。有监督学习在此基于结构的图谱构建之后进行,网络分析在预测势垒映射回图之后进行评估。这种排序将路径枚举与势垒预测分开,使得——
#### 作为路径图谱的迁移势垒数据
图2f将一个平面的势垒表重新组织为部分标注的路径图谱。每个已报道的跳跃是结构特定候选图中的边,未计算的边在排序中保持可见。所构建的图谱与固态离子学中关于连通通道、瓶颈、维度和渗透性的术语一致 [1],[3]–[5],[22],并与LiTi?(PS?)?和Li?P?S??中已解析的局部过程/网络区分一致 [8],[9]。如图1所述,候选边——
#### 图谱构建与边描述符
对于每种材料和可移动物种,我们定义候选图G=(V,E)。在此记号中,V是表示候选可移动离子或空位位点的顶点集,E是表示候选局部跳跃的边集,边eij∈E连接位点i和j。候选位点按材料、可移动物种和图标识符进行分组。当至少有五个已报道的跳越距离时,相邻位点对以物种特定的截断值(等于已报道跳越距离的第95百分位数)进行枚举——
### 结论
本研究将迁移势垒预测重新框架化为晶体离子导体中的结构–网络问题。在分组折外验证条件下(每个完整的公式–迁移物种组保留在对应训练折之外),模型以0.291 eV的MAE保持了有用的迁移能力。更重要的是,在固定的top-10%候选预算下被选中的47条边中,有46条是低势垒边。这些结果表明该框架能够优先——
### CRediT作者贡献声明
Tianyi Chen:撰写初稿、方法论、调查研究、概念化。
Minghao Lu:概念化。
Peiyuan Ni:调查研究、监督、验证、可视化、撰写审阅与编辑。
Fuyang Tian:概念化、监督、可视化、撰写审阅与编辑。
### 代码可用性
可执行分析和图形生成代码随附属包提供,并可从 https://github.com/sisiririusus/From-migration-barriers-to-diffusion-networks-materials-design-principles-for-fast-ion-transport 获取。该工作流涵盖严格队列构建、描述符计算、分组折外评估、不确定性和适用性分析、周期性整数缠绕分析以及前瞻性的NEB候选分组。显式的中间文件和再生脚本支持——
### AI工具使用说明
人工智能(AI)工具(ChatGPT-5.5和Grammarly)被用于协助代码组织、图形绘制、文档优化和语言润色。这些工具仅被用于提高代码可读性、仓库组织和语言清晰度。所有科学工作,包括模型构建、模拟和数据分析,均由作者完成。AI辅助未对本工作的科学结论作出贡献。
### 利益冲突声明
作者声明不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。
### 致谢
本研究受先进金属与材料国家重点实验室资助(项目编号:2025Z-Z22)。
Tianyi Chen | Minghao Lu | Peiyuan Ni | Fuyang Tian
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号