參賽序號：3-3
海報主題
利用微調後的機器學習原子間勢能加速固態電解質晶界機械性質的分析
系級
化工系
指導老師及參賽學生
指導老師：田弘康
參賽學生：邱聿岑
構想說明
全固態電池具備高安全性與高能量密度潛力,然而陶瓷型固態電解質通常為多晶材料,內部不可避免存在晶界,而晶界所具有的局部結構差異可能影響材料的機械穩定性。以 Li0.33La0.56TiO3(LLTO)為例,鋰/鑭/空位排列以及多樣化的晶界類型造成大量可能結構,使傳統第一原理計算在大尺度探索上面臨極高計算成本。
本研究結合第一原理計算與微調後的機器學習原子間勢(Machine-Learning nteratomic Potentials, MLIPs),建立高效率的 LLTO 晶界結構探索與機械性質預測框架。透過第一原理計算與實驗量測進行驗證後,此方法可進一步應用於更複雜晶界系統與材料改質策略(如摻雜),以探索並提升 LLTO 之機械穩定性。
-
分享：
115年活動熱烈報名中!