New techniques to simulate electrified solid-liquid interfaces better and faster

Abstract

L'electroquímica està al centre de molts processos que són clau per al present i el futur previsible de la humanitat. Les bateries es basen en reaccions electroquímiques per emmagatzemar i alliberar energia, i actualment són clau per a la transició a fonts d'energia renovables. L'electrocatàlisi utilitza reaccions electroquímiques per provocar canvis químics que sintetitzen productes valuosos o destrueixen els perillosos (per exemple, en el tractament de l'aigua). La corrosió és sovint un procés electroquímic que s'ha de minimitzar per augmentar la vida útil dels materials i la infraestructura. Veient la importància d'aquests processos i l'èxit important que ha tingut la societat a l'hora de controlar-los, es podria pensar que tenim una bona comprensió de la física subjacent. Tanmateix, la majoria dels avenços en aquests camps s'han basat en observacions empíriques que no entenem del tot i que malgrat això donen lloc a aplicacions molt exitoses. Una de les raons principals d'aquesta manca de comprensió és que els processos són difícils de simular computacionalment perquè (1) sovint s'ha d'aplicar voltatge al sistema per simular escenaris realistes i (2) els sistemes necessaris per simular els processos són grans. En aquesta tesi abordo ambdós problemes utilitzant el formalisme de les funcions de Green fora de l'equilibri per resoldre el primer problema i xarxes neuronals de gràfics equivariants que prediuen densitats d'electrons per resoldre el segon. En l'últim capítol, fusiono ambdues solucions en una prometedora aplicació de prova de concepte que espero que continuïn els futurs investigadors.

La electroquímica está en el centro de muchos procesos que son clave para el presente y el futuro previsible de la humanidad. Las baterías dependen de reacciones electroquímicas para almacenar y liberar energía, y actualmente son clave para la transición a fuentes de energía renovables. La electrocatálisis utiliza reacciones electroquímicas para impulsar cambios químicos que sintetizan productos valiosos o destruyen los peligrosos (por ejemplo, en el tratamiento del agua). La corrosión es a menudo un proceso electroquímico que debe minimizarse para aumentar la vida útil de los materiales y las infraestructuras. Viendo la importancia de estos procesos y el éxito significativo que la sociedad ha tenido en controlarlos, uno podría pensar que tenemos un buen conocimiento de la física subyacente. Sin embargo, la mayoría de los avances en estos campos se han basado en observaciones empíricas que no entendemos por completo y, a pesar de eso, dan como resultado aplicaciones muy exitosas. Una de las principales razones detrás de esta falta de comprensión es que los procesos son difíciles de simular computacionalmente porque (1) a menudo es necesario aplicar voltaje a través del sistema para simular escenarios realistas y (2) los sistemas necesarios para simular los procesos son grandes. En esta tesis abordo ambos problemas utilizando el formalismo de las funciones de Green fuera de equilibrio para resolver el primer problema y redes neuronales de grafos equivariantes que predicen densidades electrónicas para resolver el segundo. En el último capítulo, combino ambas soluciones en una prometedora aplicación de prueba de concepto que espero que continúen investigadores futuros.

Electrochemistry is at the heart of many processes that are key for the present and the foreseeable future of humanity. Batteries rely on electrochemical reactions to store and release energy, and are currently key for the transition to renewable energy sources. Electrocatalysis uses electrochemical reactions to drive chemical changes that synthesize valuable products or destroy hazardous ones (e.g. in water treatment). Corrosion is often an electrochemical process that needs to be minimized to increase the lifetime of materials and infrastructure. Seeing the importance of these processes and the significant success that society has had in controlling them, one might think that we have a good understanding of the underlying physics. However, most advances in these fields have been based on empirical observations that we don't fully understand and despite that they result in very succesful applications. One of the main reasons behind this lack of understanding is that the processes are hard to simulate computationally because (1) often voltage needs to be applied across the system to simulate realistic scenarios and (2) systems required to simulate the processes are big. In this thesis I tackle both problems by using the Non-Equilibrium Green's Functions formalism to solve the first problem and equivariant Graph Neural Networks that predict electron densities to solve the second one. In the last chapter, I merge both solutions in a promising proof of concept application that hopefully will be continued by future researchers.