El constructor molecular de baterías exprés
Dentro de cualquier batería hay un líquido electrolito, y de cómo se aglomeran los iones en él depende cuánta energía entregará la batería y cuánto durará. Antes, para asomarse a esa multitud, había que montar experimentos largos o lanzar cálculos ultraprecisos que devoran semanas de tiempo de computación. Ahora hay una tercera vía: un modelo que aprende de millones de ejemplos y ofrece la imagen casi al instante.
Los autores del trabajo tomaron dos modelos de este tipo. Uno se entrenó con cristales inorgánicos: conoce el mundo de los sólidos. El segundo se entrenó con el conjunto OMol25, que reúne decenas de millones de configuraciones moleculares, incluidas las que aparecen en los electrolitos. Resultó que el modelo "molecular" predice la densidad y los factores de estructura de rayos X notablemente mejor que el "cristalino".
Además, el modelo mostró cómo cambia la solvatación según la composición: qué catión, qué anión, cuánta sal, qué forma tiene la molécula de disolvente. Por ejemplo, en los electrolitos de glicol, incluso un ligero cambio en la topología del disolvente reordena notablemente las correlaciones iónicas. Esta sensibilidad a los detalles antes se les escapaba a los modelos burdos.
Ahora los ingenieros pueden probar combinaciones de electrolitos en el ordenador, como piezas de un mecano, y solo verificar en el laboratorio las mejores opciones. Esto acelera la búsqueda de baterías de sodio seguras y de alta capacidad, y el sodio es mucho más abundante que el litio.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.20183
Machine learning interatomic potentials (MLIPs) trained on large, chemically diverse datasets are revolutionizing computational chemistry, enabling molecular dynamics simulations of battery electrolytes with near-DFT accuracy over 10,000 times faster than DFT. While previous MLIP training datasets with suitable elemental coverage for electrolytes have been based on inorganic materials, the Open Molecules 2025 (OMol25) dataset provides large-scale molecular DFT MLIP training data with broad elemental coverage and specifically samples tens of millions of electrolyte configurations. Here, we integrate computational modeling with experimental validation to systematically assess the ability of large-scale MLIPs pre-trained on materials data or on OMol25 to accurately resolve nanoscale structural organization and ion-solvation characteristics in Na-ion battery electrolytes across diverse physicochemical conditions and compositional regimes. We find that the OMol25-trained Universal Model of Atoms (UMA-OMol) predicts experimentally measured densities and X-ray structure factors in substantially better agreement compared to state-of-the-art models trained only on inorganic materials data. Using UMA-OMol, we further analyze systematic trends in solvation structure as a function of cation identity, anion chemistry, salt concentration, and solvent topology. We observe that increasing system temperature amplifies the heterogeneity within the solvation environment, perturbing cation-solvent interactions and promoting the formation of contact ion pairs (CIPs). Moreover, subtle variations in the solvent topology of glyme-based electrolytes cause pronounced changes in ion-correlations and solvation structure. The experimental agreement and microscopic insights shown here position OMol25-trained MLIPs as a practical route to predictive, high-throughput electrolyte simulations.
El sodio es el sexto elemento más abundante en la corteza terrestre; se puede obtener de la sal de mesa común, por lo que las baterías de sodio son potencialmente más baratas que las de litio.