LINEA DI ATTIVITÀ
LA 1.21
Descrizione risultati raggiunti LA
I calcoli basati sulla teoria del funzionale densità (DFT) sono stati automatizzati e integrati in una catena di flusso di lavoro computazionale sviluppata all’interno del framework AiiDA (D1.23) applicato a strutture cristalline estratte dal database Materials Project. L’energia totale dei materiali è stata utilizzata per valutare l’energia di formazione e il potenziale di intercalazione. Il set di dati generato in questo studio è disponibile all’indirizzo https://iemap.enea.it/. Il workflow AiiDA ha generato fino ad oggi un totale di oltre 700 elaborazioni completate, che sono state memorizzate nel database. Questi dati rappresentano una risorsa fondamentale per l’analisi e l’interpretazione dei risultati. Abbiamo adottato un approccio data-driven in cui la rete neurale a grafo cristallino geometrico (GeoCGNN) è stata utilizzata per prevedere l’energia di formazione come proprietà target dei cristalli generati dopo l’addestramento su un set di dati estratto dal database Materials Project. Abbiamo convalidato la robustezza e la trasferibilità del modello pre-addestrato, offrendo approfondimenti sulla sua più ampia applicabilità e sui suoi limiti quando applicato a diversi set di dati. Abbiamo così dimostrato che la rete GeoCGNN è in grado di prevedere risultati coerenti con i calcoli DFT. Infine, abbiamo reso disponibile un codice che esegua l’analisi con algoritmi ML di un dataset che esplori le variazioni chimico-strutturali e di prestazioni delle batterie in funzione di quantità relative di metalli di transizione negli ossidi misti a struttura laminare, una novità rispetto allo stato dell’arte.
Risultati attesi nel POA
I risultati della presente attività portano vantaggi significativi in termini di: sostenibilità, in quanto la rete neurale adottata è in grado di indicare quali materiali sostenibili scegliere per la sintesi dei materiali catodici contribuendo così a ridurre l’impatto ambientale delle batterie elettriche; sicurezza, in quanto le batterie agli ioni sodio offrono una maggiore sicurezza rispetto alle batterie al litio, ad esempio, riducendo il rischio di incendi o esplosioni; efficienza energetica, in quanto il modello prevede quali siano le composizioni dei materiali catodici con elevati potenziali di cella, il che si traduce in una maggiore efficienza energetica delle batterie agli ioni di sodio. Questi progressi apporteranno benefici sia al sistema elettrico nazionale sia agli utenti finali.
REFERENTE/I
Francesco Buonocore – ENEA
Deliverable consegnati con questo LA
D1.24 – Rapporto tecnico: “Materiali ad alte prestazioni per catodi di accumulatori basati su ossidi metallici”
Livello di innovazione
La piattaforma implementata nell’approccio flessibile, scalabile e altamente accurato nella gestione dei workflow e delle simulazioni basato su utilizzo del framework AiiDA, integrato con il cluster CRESCO di ENEA e il codice Quantum Espresso per calcoli DFT, è una tecnologia in linea con lo stato dell’arte (si veda ad esempio T. Lombardo et al., Chem. Rev. 2022, 122, 10899−10969).
Il database specifico per ossidi metallici lamellari (NaTMO₂) drogati è un avanzamento rispetto allo stato dell’arte (si veda altri database come Materials Project, NOMAD e Materials Cloud) dove non sono presenti dataset specifici come il nostro.
Abbiamo reso disponibile un codice (https://gitlab.brindisi.enea.it/claudio.ronchetti/ai4mat) che esegua l’analisi con algoritmi ML di un dataset che esplori le variazioni chimico-strutturali e di prestazioni delle batterie in funzione di quantità relative di metalli di transizione negli ossidi misti a struttura laminare, una novità rispetto allo stato dell’arte. La piattaforma implementata nell’approccio flessibile, scalabile e altamente accurato nella gestione dei workflow e delle simulazioni basato su utilizzo del framework AiiDA, integrato con il cluster CRESCO di ENEA e il codice Quantum Espresso per calcoli DFT, è una tecnologia in linea con lo stato dell’arte (si veda ad esempio T. Lombardo et al., Chem. Rev. 2022, 122, 10899−10969).
Abbiamo reso disponibile un codice (https://gitlab.brindisi.enea.it/claudio.ronchetti/ai4mat) che esegua l’analisi con algoritmi ML di un dataset che esplori le variazioni chimico-strutturali e di prestazioni delle batterie in funzione di quantità relative di metalli di transizione negli ossidi misti a struttura laminare, una novità rispetto allo stato dell’arte.
Disseminazione
Eventi:
Intervento orale “Advances in Na-Ion Battery Cathode Materials: Comparison of DFT and Machine Learning Approaches” nel Simposio “Automation and high throughput research” (speaker: Francesco Buonocore) nella conferenza Nanoinnovation 2024 (Facoltà di Ingegneria Civile e Industriale dell’Università “La Sapienza” di Roma, 12/09/2024).
Intervento orale “Tecniche AI per la scienza dei materiali” (speaker: Marco Catillo) nel Workshop “Evento Finale Progetto IEMAP” (Roma Eventi “Fontana di Trevi”, 03/12/2024).
Intervento orale “Modellistica molecolare accelerata” (speaker: Francesco Buonocore) nel Workshop “Evento Finale Progetto IEMA” (Roma Eventi “Fontana di Trevi”, 03/12/2024).
Pubblicazioni:
Study of Cathode Materials for Na-Ion Batteries: Comparison Between Machine Learning Predictions and Density Functional Theory Calculations. Claudio Ronchetti, Sara Marchio, Francesco Buonocore, Simone Giusepponi, Sergio Ferlito, Massimo Celino; Batteries 2024, 10, 431, doi: 10.3390/batteries10120431.
Materials science using machine learning. Claudio Ronchetti, Marco Puccini, Sergio Ferlito, Simone Giusepponi, Filippo Palombi, Francesco Buonocore, Massimo Celino. High Performance Computing on CRESCO Infrastructure: research activities and results 2022. December 2023. ISBN: 978-88-8286-458-3.
Machine learning techniques for data analysis in materials science. Claudio Ronchetti; Marco Puccini; Sergio Ferlito; Simone Giusepponi; Filippo Palombi; Francesco Buonocore, 2022 AEIT International Annual Conference (AEIT), Rome, Italy, 2022, pp. 1-6, doi: 10.23919/AEIT56783.2022.9951839.
La piattaforma IEMAP (Italian Energy Materials Acceleration Platform): Il ruolo dei dati aperti e condivisi. Conferenza GARR 2023 – Selected Papers Volume. Claudio Ronchetti, Sergio Ferlito, Marco Puccini, Simone Giusepponi, Francesco Buonocore, Massimo Celino, Sara Marchio, Giovanni Ponti, doi: 10.26314/GARR-Conf23-proceedings-02. Eventi:
La piattaforma IEMAP (Italian Energy Materials Acceleration Platform): Il ruolo dei dati aperti e condivisi. Conferenza GARR 2023 – Selected Papers Volume. Claudio Ronchetti, Sergio Ferlito, Marco Puccini, Simone Giusepponi, Francesco Buonocore, Massimo Celino, Sara Marchio, Giovanni Ponti, doi: 10.26314/GARR-Conf23-proceedings-02.
