Beyond Order: Partial Site Occupancies-Informed Machine Learning for Solid-State Electrolytes Design
Notice bibliographique
Résumé
Crystal structures with partial site occupancies (PSO), a common feature in disordered materials where ions fractionally occupy lattice sites, are crucial for designing solid-state electrolytes (SSEs) with a low activation energy ( E a ). However, deciphering the underlying structure–property relationships remains challenging, as traditional ordered-assumption models cannot fully explain PSO effects. Herein, we propose a PSO-informed machine learning (PSO-ML) method for SSEs design, in which PSO knowledge is leveraged by identifying crystal structures from the literature based on identical ionic species and Wyckoff sites criteria, enabling a quantitative correlation between PSO effects and E a . Applied to trigonal halides Li 3 YCl 6, an E a prediction model with a determination coefficient ( R 2 ) of 93.18% is obtained by partial least-squares analysis with leave-one-out cross-validation. The variable importance in projection analysis identifies the configurational entropy and interlayer distance as key descriptors, both dominated by Y 3+ occupancy effects. By optimizing Y 3+ occupancy, promising candidates Li 3 Y 4 x –3 M 3–3 x Cl 6 ( M: tetravalent cations, 0.75 < x ≤ 0.888) are suggested, where Li 3 Y 0.2 Zr 0.6 Cl 6 (room-temperature ionic conductivity of 1.19 mS cm –1 ) has been experimentally evaluated as an excellent candidate, and other promising compositions are waiting for validation. With high accuracy and interpretability, the PSO-ML method enables the accelerated discovery and design of SSEs and broader disordered materials.
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 ».