Data-driven exploration of weak coordination microenvironment in solid-state electrolyte for safe and energy-dense batteries
Notice bibliographique
Résumé
The unsatisfactory ionic conductivity of solid polymer electrolytes hinders their practical use as substitutes for liquid electrolytes to address safety concerns. Although various plasticizers have been introduced to improve lithium-ion conduction kinetics, the lack of microenvironment understanding impedes the rational design of high-performance polymer electrolytes. Here, we design a class of Hofmann complexes that offer continuous two-dimensional lithium-ion conduction channels with functional ligands, creating highly conductive electrolytes. Assisting with unsupervised learning, we use Climbing Image-Nudged Elastic Band simulations to screen lithium-ion conductors and screen out five potential candidates that elucidate the impact of lithium coordination environment on conduction behavior. By adjusting the covalency competition between Metal−O and Li−O bonds within Hofmann complexes, we can manipulate weak coordination environment of lithium-ion for rapid conduction kinetics. Li | |sulfurized polyacrylonitrile (SPAN) cell using solid-state polymer electrolytes with predicted Co(dimethylformamide)2Ni(CN)4 delivers an initial discharge capacity of 1264 mAh g−1 with a capacity retention of 65% after 500 cycles at 0.2 C (335 mA g−1), at 30 °C ± 3 °C. The assembled 0.6 Ah Li | |SPAN pouch cell delivers an areal discharge capacity of 3.8 mAh cm−2 at the second cycle with a solid electrolyte areal mass loading of 18.6 mg cm−2 (mass-to-capacity ratio of 4.9). The lack of microenvironment understanding results in unsatisfactory conductivity of solid polymer electrolytes. Here, authors report a data-driven exploration of weak coordination manipulation by plasticizer design for safe and energy-dense batteries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».