DOI: https://doi.org/10.1007/s44373-025-00084-0
تاريخ النشر: 2026-01-03
المؤلف: A. S. Shruthi وآخرون
الموضوع الرئيسي: مواد MXene وMAX Phase
نظرة عامة
تناقش هذه القسم الإمكانات التحويلية للهياكل غير المتجانسة من MXene ثنائية الأبعاد (2D) van der Waals (vdW) في تقنيات البطاريات المتقدمة، مع التأكيد على مزاياها في الكيمياء السطحية، حركة الأيونات، والتركيب الإلكتروني. على الرغم من وعدها النظري، فإن التحديات مثل عدم استقرار المواد والعدد الكبير من تركيبات الهياكل غير المتجانسة غير المدروسة تعيق التطبيقات العملية. تم اقتراح دمج التعلم الآلي (ML) مع نظرية الوظائف الكثافة (DFT) كحل لتسريع تحديد تكوينات MXene المقاومة والفعالة لتخزين الطاقة الكهروكيميائية، مما يحقق تسريعًا كبيرًا في الحسابات مع الحفاظ على الدقة الكيميائية.
تسلط الخاتمة الضوء على الفوائد التآزرية لدمج ML وDFT، مما يسمح باستكشاف مساحة تصميم شاسعة من التكوينات المحتملة بينما يكشف عن علاقات معقدة بين التركيب والخصائص. ومع ذلك، لا تزال هناك تحديات في التنبؤ بدقة بالاستقرار الكهروكيميائي على المدى الطويل والتدهور تحت ظروف واقعية. يتطلب سد الفجوة بين حسابات DFT على المستوى الذري ومقاييس الأداء العملية تطوير أساليب نمذجة متعددة المقاييس وإدماج بيانات التوصيف operando. تشير التطورات المستمرة في الأساليب الحسابية في أبحاث MXene إلى تحول أوسع في علوم المواد، مما يبرز ضرورة الاستثمار المستمر في تطوير الأساليب والتعاون بين التخصصات لتحقيق الإمكانات الكاملة للهياكل غير المتجانسة من MXene ثنائية الأبعاد في تقنيات تخزين الطاقة من الجيل التالي.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لحلول تخزين الطاقة المستدامة المدفوعة بالطلب المتزايد على السيارات الكهربائية، وتخزين الطاقة المتجددة، والإلكترونيات المتقدمة. تقترب تقنيات بطاريات الليثيوم أيون الحالية من حدود كثافة الطاقة الخاصة بها، مما يدفع البحث في مواد مبتكرة. لقد اكتسبت المواد ثنائية الأبعاد (2D)، وخاصة MXenes، اهتمامًا بسبب خصائصها المميزة، مثل المساحات السطحية الكبيرة والهياكل الإلكترونية القابلة للتعديل. تم تصنيع MXenes، وهي فئة من كربيدات المعادن الانتقالية ثنائية الأبعاد، والنيتريدات، والكربونيتريدات، لأول مرة في عام 2011، مع كون Ti₃C₂ مثالًا بارزًا.
تشمل عملية تصنيع MXenes الحفر الانتقائي، حيث تعتبر معلمات مثل تركيز حمض الهيدروفلوريك ووقت الحفر حاسمة لإنتاج مواد عالية الجودة. الصيغة العامة لـ MXenes هي \(M_{n+1}X_nT_x\)، حيث \(M\) تشير إلى المعادن الانتقالية المبكرة، و\(X\) تمثل الكربون و/أو النيتروجين، و\(T_x\) تشير إلى مجموعات إنهاء السطح. إن توصيلها الكهربائي الرائع، الذي يمكن أن يصل إلى 11,000 S cm⁻¹ للطبقات الأحادية الفردية و24,000 S cm⁻¹ للأفلام المنتجة عبر طريقة EN-MILD، يضع MXenes كمرشحين واعدين لتطبيقات تخزين الطاقة من الجيل التالي، مما قد يلغي الحاجة إلى إضافات موصلة في تصميمات الأقطاب.
طرق
تستعرض قسم الطرق الاستراتيجيات الحسابية المستخدمة لحسابات نظرية الوظائف الكثافة (DFT) لمواد MXene، مع التأكيد على أهمية اختيار المعلمات الحسابية المناسبة بسبب الخصائص المعدنية لـ MXenes ودور تفاعلات van der Waals (vdW) في الهياكل غير المتجانسة. تحدد ثلاثة تحديات رئيسية في المنهجيات الحسابية الحالية: عدم التوافق بين نماذج DFT والأنظمة التجريبية، إغفال تأثيرات درجة الحرارة في الحسابات التي تُجرى عادة عند 0 كلفن، وتعقيد التفاعلات البيئية الواقعية التي تؤثر على أداء الأقطاب. تم اقتراح دمج التعلم الآلي (ML) مع DFT كحل محتمل لسد هذه الفجوات، على الرغم من أنه تم الإشارة إلى أن نماذج ML قد ترث تحيزات من بيانات تدريب DFT الخاصة بها.
تتناول القسم أيضًا دور قواعد بيانات المواد الحسابية، مع تسليط الضوء على ثلاثة منصات رئيسية—مشروع المواد، AFLOW، وNOMAD—التي توفر بيانات موحدة وسير عمل لأبحاث المواد. ومع ذلك، تشير إلى أن هذه القواعد غالبًا ما تكون متحيزة نحو المركبات الأبسط وقد لا تمثل تعقيدات الهياكل غير المتجانسة من MXene بشكل كافٍ، مما قد يؤدي إلى أخطاء منهجية في توقعات ML. الآثار الأوسع لعلوم المواد كبيرة، حيث يمكن تطبيق المنهجيات المطورة لـ MXenes على مواد ثنائية الأبعاد أخرى، مما قد يؤدي إلى تصميم أجهزة تخزين طاقة متقدمة. تختتم القسم بالتأكيد على الحاجة إلى الاستثمار المستمر في توحيد البيانات وتطوير طرق ML التي يمكن أن تلتقط بدقة التعقيدات الفريدة لـ MXenes.
مناقشة
في هذه المناقشة، يتم تسليط الضوء على إمكانات MXenes، وخاصة Ti₃C₂Tₓ، V₂Cₓ، وNb₂Cₓ، كمواد متقدمة لتطبيقات تخزين الطاقة، مع عرض توصيلاتها الكهربائية المثيرة للإعجاب (حتى 24,000 S cm⁻¹) وخصائصها الميكانيكية (معامل يونغ حوالي 334 جيجا باسكال). على الرغم من هذه المزايا، تواجه MXenes تحديات كبيرة، بما في ذلك الاستقرار الأكسيدي الضعيف في البيئات المائية والميول لإعادة تكديس الأوراق النانوية، مما يحد من مساحة سطحها الفعالة. تثير طرق التصنيع الحالية أيضًا مخاوف تتعلق بالسلامة والبيئة بسبب استخدام المواد الكيميائية الخطرة. للتخفيف من هذه المشكلات، يستكشف الباحثون الهياكل غير المتجانسة من MXene القائمة على van der Waals، التي تستفيد من الخصائص الفريدة لـ MXenes بالاشتراك مع مواد ثنائية الأبعاد أخرى لتعزيز الأداء من خلال الهندسة السطحية.
تؤكد المناقشة على الحاجة إلى الأساليب الحسابية، وخاصة التعلم الآلي (ML) ونظرية الوظائف الكثافة (DFT)، للتنقل في مساحة التصميم الشاسعة للهياكل غير المتجانسة من MXene. بينما توفر DFT توقعات دقيقة، فإن تكلفتها الحسابية تحد من تطبيقها على الأنظمة الأكبر. تظهر تقنيات ML، وخاصة الشبكات العصبية الرسومية، وعدًا في تسريع عملية الاكتشاف من خلال رسم الهياكل الذرية بكفاءة إلى الخصائص الإلكترونية، مما يمكّن من استكشاف ملايين المواد المرشحة. يحدد البحث إطارًا هرميًا لدمج ML مع DFT، مما يسمح بالفرز المنهجي وتنقيح المواد مع معالجة التعقيدات الكامنة في أنظمة MXene. يهدف هذا النهج إلى سد الفجوة بين التوقعات النظرية والواقع التجريبي، مما يسهل في النهاية تطوير أجهزة تخزين الطاقة القائمة على MXene العملية.
القيود
تسلط قسم القيود الضوء على عدة تحديات مرتبطة بـ Nb$_2$CT$_x$ MXenes، وخاصة في قدراتها على تخزين الأيونات المتعددة ومرونتها الهيكلية. بينما تظهر هذه MXenes سعة كوانتية عالية ويمكن أن تستوعب أيونات مختلفة (Li$^+$، Na$^+$، K$^+$، وAl$^{3+}$) بسبب هيكلها الشبيه بالأكورديون، يمكن أن تؤدي الأيونات الأكبر إلى إجهاد ميكانيكي يؤدي إلى تدهور السعة، وهو ظاهرة لا تتنبأ بها النماذج الحسابية بدقة عند 0 كلفن. لقد أظهرت استراتيجيات مثل تصميم الهياكل غير المتجانسة، كما هو موضح من خلال مركبات Co$_3$O$_4$/Nb$_2$C، وعدًا في التخفيف من هذه القيود من خلال منع إعادة تكديس MXene وتعزيز احتفاظ السعة النوعية أثناء الدورة. بالإضافة إلى ذلك، تعتبر طرق الوظائف السطحية، بما في ذلك الكبريتة والكلورة، مفيدة من الناحية النظرية ولكن تواجه تحديات عملية كبيرة في التصنيع.
تناقش القسم أيضًا قيود نماذج التعلم الآلي (ML) المستخدمة للتنبؤ بخصائص الهياكل غير المتجانسة من MXene. غالبًا ما تستنتج هذه النماذج خارج بيانات تدريبها، مما يؤدي إلى توقعات غير موثوقة، خاصة في وجود عيوب وإنهاءات مختلطة. تنتشر الأخطاء المنهجية من حسابات نظرية الوظائف الكثافة (DFT)، مثل تقدير فجوة الطاقة بشكل غير كافٍ وتصحيحات van der Waals غير الكافية، إلى توقعات ML، مما يزيد من تعقيد المشكلة. يؤكد المؤلفون على الحاجة إلى تحسين جودة البيانات، وقابلية تفسير النماذج، وتقدير عدم اليقين لتعزيز موثوقية توقعات ML في سياق أبحاث MXene. بشكل عام، بينما تظهر Nb$_2$C MXenes إمكانات لتطبيقات الأيونات المتعددة، يجب معالجة التحديات الحسابية والتجريبية لتحقيق فائدتها العملية.
DOI: https://doi.org/10.1007/s44373-025-00084-0
Publication Date: 2026-01-03
Author(s): A. S. Shruthi et al.
Primary Topic: MXene and MAX Phase Materials
Overview
The section discusses the transformative potential of two-dimensional (2D) MXene van der Waals (vdW) heterostructures in advanced battery technologies, emphasizing their advantages in interfacial chemistry, ion mobility, and electronic structure. Despite their theoretical promise, challenges such as material instability and the vast number of unexamined heterostructure combinations hinder practical applications. The integration of machine learning (ML) with density functional theory (DFT) is proposed as a solution to accelerate the identification of resilient and efficient MXene configurations for electrochemical energy storage, achieving significant computational speedups while maintaining chemical accuracy.
The conclusion highlights the synergistic benefits of combining ML and DFT, which allows for exploration of a vast design space of potential configurations while uncovering complex structure-property relationships. However, challenges remain in accurately predicting long-term electrochemical stability and degradation under realistic conditions. Bridging the gap between atomic-scale DFT calculations and practical performance metrics requires the development of multi-scale modeling approaches and the incorporation of operando characterization data. The ongoing evolution of computational methods in MXene research signifies a broader shift in materials science, underscoring the necessity for continued investment in method development and interdisciplinary collaboration to fully realize the potential of 2D MXene vdW heterostructures in next-generation energy storage technologies.
Introduction
The introduction highlights the urgent need for sustainable energy storage solutions driven by the growing demand for electric vehicles, renewable energy storage, and advanced electronics. Current lithium-ion battery technologies are nearing their energy density limits, prompting research into innovative materials. Two-dimensional (2D) materials, particularly MXenes, have gained attention due to their advantageous properties, such as large surface areas and tunable electronic structures. MXenes, a class of 2D transition metal carbides, nitrides, and carbonitrides, were first synthesized in 2011, with Ti₃C₂ being a notable example.
The synthesis of MXenes involves selective etching, with parameters like hydrofluoric acid concentration and etching time being crucial for producing high-quality materials. The general formula for MXenes is \(M_{n+1}X_nT_x\), where \(M\) denotes early transition metals, \(X\) represents carbon and/or nitrogen, and \(T_x\) indicates surface termination groups. Their remarkable electrical conductivity, which can reach up to 11,000 S cm⁻¹ for individual monolayers and 24,000 S cm⁻¹ for films produced via the EN-MILD method, positions MXenes as promising candidates for next-generation energy storage applications, potentially eliminating the need for conductive additives in electrode designs.
Methods
The section on methods outlines the computational strategies employed for Density Functional Theory (DFT) calculations of MXene materials, emphasizing the importance of selecting appropriate computational parameters due to the metallic characteristics of MXenes and the role of van der Waals (vdW) interactions in heterostructures. It identifies three primary challenges in current computational methodologies: scale mismatch between DFT models and experimental systems, the neglect of temperature effects in calculations typically conducted at 0 K, and the complexity of real-world environmental interactions that affect electrode performance. The integration of machine learning (ML) with DFT is proposed as a potential solution to bridge these gaps, although it is noted that ML models may inherit biases from their DFT training data.
The section further discusses the role of computational materials databases, highlighting three major platforms—The Materials Project, AFLOW, and NOMAD—that provide standardized data and workflows for materials research. However, it points out that these databases are often biased towards simpler compounds and may inadequately represent the complexities of MXene heterostructures, which can lead to systematic errors in ML predictions. The broader implications for materials science are significant, as the methodologies developed for MXenes could be applied to other 2D materials, potentially leading to the design of advanced energy storage devices. The section concludes by stressing the need for continued investment in data standardization and the development of ML methods that can accurately capture the unique complexities of MXenes.
Discussion
In this discussion, the potential of MXenes, particularly Ti₃C₂Tₓ, V₂Cₓ, and Nb₂Cₓ, as advanced materials for energy storage applications is highlighted, showcasing their impressive electrical conductivities (up to 24,000 S cm⁻¹) and mechanical properties (Young’s modulus of approximately 334 GPa). Despite these advantages, MXenes face significant challenges, including poor oxidative stability in aqueous environments and the tendency for nanosheets to restack, which limits their effective surface area. Current synthesis methods also raise safety and environmental concerns due to the use of hazardous etchants. To mitigate these issues, researchers are exploring MXene-based van der Waals heterostructures, which leverage the unique properties of MXenes in combination with other two-dimensional materials to enhance performance through interfacial engineering.
The discussion emphasizes the need for computational approaches, particularly machine learning (ML) and density functional theory (DFT), to navigate the vast design space of MXene heterostructures. While DFT provides accurate predictions, its computational expense limits its application to larger systems. ML techniques, particularly graph neural networks, show promise in accelerating the discovery process by efficiently mapping atomic structures to electronic properties, thus enabling the exploration of millions of candidate materials. The paper outlines a hierarchical framework for integrating ML with DFT, which allows for systematic screening and refinement of materials while addressing the inherent complexities of MXene systems. This approach aims to bridge the gap between theoretical predictions and experimental realities, ultimately facilitating the development of practical MXene-based energy storage devices.
Limitations
The section on limitations highlights several challenges associated with Nb$_2$CT$_x$ MXenes, particularly in their multi-ion storage capabilities and structural flexibility. While these MXenes exhibit high quantum capacitance and can accommodate various ions (Li$^+$, Na$^+$, K$^+$, and Al$^{3+}$) due to their accordion-like structure, larger ions can induce mechanical stress that leads to capacity fade, a phenomenon not accurately predicted by computational models at 0 K. Strategies such as heterostructure design, exemplified by Co$_3$O$_4$/Nb$_2$C composites, have shown promise in mitigating these limitations by preventing MXene restacking and enhancing specific capacitance retention during cycling. Additionally, surface functionalization approaches, including sulfurization and chlorination, are theoretically advantageous but face significant practical synthesis challenges.
The section further discusses the limitations of machine learning (ML) models used to predict the properties of MXene heterostructures. These models often extrapolate beyond their training data, leading to unreliable predictions, especially in the presence of defects and mixed terminations. Systematic errors from density functional theory (DFT) calculations, such as band gap underestimation and inadequate van der Waals corrections, propagate into ML predictions, compounding the issue. The authors emphasize the need for improved data quality, model interpretability, and uncertainty quantification to enhance the reliability of ML predictions in the context of MXene research. Overall, while Nb$_2$C MXenes show potential for multi-ion applications, both computational and experimental challenges must be addressed to realize their practical utility.