Uusiutuvat energialähteet ja sähköajoneuvot ovat korostaneet tehokkaan energiavarastoinnin tarvetta, jonka takia litium-metalliakkujen tutkimus on lisääntynyt. Litiumionien epätasainen asettuminen elektrodille johtaa dendriittien kasvuun, jotka aiheuttavat akkujen toimintahäriöitä ja tulipalovaaraa, mikä on ollut suurin este näiden akkujen kehitykselle.Nestekide on kiteen ja nesteen välillä esiintyvä olomuoto, jota kutsutaan myös mesofaasiksi. Termotrooppisissa nestekiteissä on useita faaseja, mukaan lukien yksi tai useampi mesofaasi, riippuen lämpötilasta. Ioniset nestekiteet koostuvat kahdesta varautuneesta osasta, yleensä yhdestä suuresta molekyylistä ja siihen liittyneestä ionista, joka mahdollistaa ionijohtavuuden. Termotrooppiset ioniset nestekiteet (TILC) perivät molempien ominaisuudet, muodostaen monipuolisen materiaalin. Työssä keskustellaan TILC:ien soveltamista dendriittien estämiseen ja itseparantuvana elektrolyyttinä toimimiseen.Työn kirjallisuusosassa käydään läpi viimeisimpiä laskennallisen kemian sovellutuksia uusien materiaalien ja molekyylien etsinnässä. Osassa erityisesti korostetaan teorian ja kokeen välistä yhteistyötä ja tutkitaan tieto-ohjattujen tekniikkojen mahdollisuuksia. Läpi käydään myös tiheysfunktionaaliteorian (DFT) pääperiaatteet, esitellään vaihtokorrelaatiofunktioiden viisi tasoa, sekä itse funktiot ja ohjeet niiden valintaan. Osassa keskustellaan koneoppimis-DFT:stä (ML-DFT) ja sen potentiaalista toistaa hyvälaatuisia, mutta laskennallisesti kalliita DFT-tuloksia murto-ajassa.Työn laskennallisessa osiossa käydään läpi kymmenen TILC:ien ja yhtentoista ei-ionisten termotrooppisten nestekiteiden DFT-laskujen tulokset. Kokeellisten nesteja nestekidefaasin siirtymälämpötilojen ja DFT:n avulla saatujen eri suureiden välistä korrelaatiota tutkitaan. Vahva korrelaatio esitetään nollapisteen värähtelyenergialle ja siirtymälämpötilat ennustetaan lisämolekyyleille. Suosituksia esitetään TILC:eille, joiden siirtymälämpötilat ovat alhaisemmat kuin lähdemolekyylien. Luotettavamman mallin saamiseksi suositellaan lisämenetelmiä, kuten monimuuttujaregressiota ja koneoppimista. Työssä käytetty automatisoitu laskennallinen työnkulkumalli esitellään, jolla suoritettiin suuria määriä DFT-laskuja TURBOMOLE -ohjelmalla.