شبیه‌سازی‌های مبتنی بر یادگیری ماشین نشان می‌دهند پلاستیک چگونه به کربن سخت تبدیل می‌شود
شیمی‌دانان دانشگاه آکسفورد، ۷۵ سال پس از پژوهش‌های بنیادین روزالیند فرانکلین درباره کربن‌های غیرگرافیتی، معمایی را که بیش از یک دهه درباره چگونگی شکل‌گیری کربن سخت وجود داشت، با بررسی فرایند تشکیل آن در مقیاس اتمی حل کرده‌اند.
این پژوهش که در مجله Chemical Science منتشر شده است، با بهره‌گیری از شبیه‌سازی‌های اتمی مبتنی بر یادگیری ماشین، تجزیه حرارتی پلی‌وینیلیدین کلرید (PVDC) را مدل‌سازی می‌کند. نتایج، سازوکارهای ساختاری‌ای را آشکار می‌سازند که مانع بلوری‌شدن کربن سخت و تبدیل آن به گرافیت منظم می‌شوند.
این یافته‌ها چارچوبی محاسباتی برای طراحی مواد آندی متناسب با نیازهای نسل آینده باتری‌های سدیم‌یونی فراهم می‌کنند.
سازوکارهای اتمی و علت ساختار غیرگرافیتی کربن سخت
کربن سخت یکی از مواد مهم برای ساخت آند باتری‌های سدیم‌یونی است و جایگزینی کم‌هزینه و متکی بر عناصر فراوان در طبیعت برای فناوری‌های متداول باتری‌های لیتیوم‌یونی به شمار می‌رود. گرافیت از لایه‌های مسطح و روی‌هم‌چیده‌شده حلقه‌های شش‌ضلعی کربن تشکیل شده است؛ اما کربن سخت ساختاری خمیده و نامنظم دارد که حتی در دماهای بسیار بالا نیز حالت بی‌شکل خود را حفظ می‌کند.
تیم دانشگاه آکسفورد با ترکیب دقت مکانیک کوانتومی و سرعت بالای الگوریتم‌های یادگیری ماشین، مراحل تجزیه پیش‌ماده پلیمری PVDC را به‌ترتیب بررسی کرد:
- حذف کلر و جداشدن هیدروژن:
- تجزیه حرارتی باعث جداشدن اتم‌های هیدروژن و کلر از زنجیره PVDC می‌شود و جایگاه‌های بسیار واکنش‌پذیر کربن را آشکار می‌کند.
- تشکیل شبکه‌های پیوندی:
- این جایگاه‌های فعال، قطعات مجاور پلیمر را به یکدیگر متصل می‌کنند و شبکه‌ای سه‌بعدی، متراکم و به‌هم‌پیوسته از کربن به وجود می‌آورند.
- ایجاد ساختارهای عامل انحنای شبکه:
- شبکه در حال واکنش، به‌جای تشکیل حلقه‌های خالص شش‌ضلعی که اجزای سازنده گرافیت مسطح هستند، حلقه‌های کربنی پنج و هفت‌عضوی غیرشش‌ضلعی را نیز در خود جای می‌دهد.
- اعوجاج هندسی:
- همان‌طور که حلقه‌های پنج‌ضلعی می‌توانند الگویی شش‌ضلعی را خم کنند و به ساختاری کروی، مانند توپ فوتبال، تبدیل سازند، حلقه‌های غیرشش‌ضلعی نیز شبکه کربنی را دچار انحنا می‌کنند و مانع قرارگرفتن لایه‌های گرافیتی در آرایشی مسطح و منظم می‌شوند.
تیم پژوهش و روش محاسباتی
این پژوهش به سرپرستی لیتونگ وو، پژوهشگر دوره دکتری پژوهش‌محور (DPhil)، و با همکاری دانشجویان پیشین، زیتونگ وو و دکتر زکریا الماشاچی، انجام شد. پروفسور فولکر درینگر از گروه شیمی دانشگاه آکسفورد نیز بر این تحقیق نظارت داشت.
غلبه بر محدودیت‌های محاسباتی
روش‌های سنتی مکانیک کوانتومی برای شبیه‌سازی واکنش‌های شیمیایی در دماهای بالا، آن هم در سامانه‌هایی شامل هزاران اتم با آرایش نامنظم و در بازه‌های زمانی طولانی، به توان محاسباتی بسیار زیادی نیاز دارند. پتانسیل‌های بین‌اتمی مبتنی بر یادگیری ماشین این مشکل را برطرف کردند؛ این روش‌ها نیروهای وارد بر اتم‌ها را با دقتی نزدیک به محاسبات کوانتومی پیش‌بینی می‌کنند و در عین حال سرعت شبیه‌سازی را افزایش می‌دهند.
شبیه‌سازی تجزیه پیش‌ماده در مقیاس اتمی به پژوهشگران امکان می‌دهد ترکیب شیمیایی اولیه مواد را مستقیماً به عملکرد الکتروشیمیایی نهایی آندهای باتری مرتبط کنند.