人工智能加速固态电池优化：东北大学开发数据驱动模型找出最佳候选材料

为了应对气候变化，科学家们正在竞相开发革命性的可持续能源解决方案，如固态电池。然而，这一竞赛更像是马拉松，因为传统的方法主要依赖于试错法，逐一测试各种材料和路径，既耗时又低效。为了加快这一进程，日本东北大学的研究人员发展了一种数据驱动的人工智能框架，该框架能够筛选出潜在的固态电解质（SSE）候选物，为创造理想的可持续能源解决方案提供方向。 这个模型不仅选择最优候选者，还能预测化学反应的过程及其原因，为研究人员提供了宝贵的信息，让他们在实验室之外就能够获得重要线索。4月17日，2025年，这项研究成果发表在《Angewandte Chemie International Edition》上。项目负责人、东北大学材料研究所的郝力教授解释道：“该模型实质上替我们做了一切繁琐的试错工作。它从大量先前研究的数据中挑选最佳的SSE材料。” 这一方法采用了一个创新的数据驱动AI框架，集成了大型语言模型（LLMs）、MetaD、多元线性回归、遗传算法和理论-实验基准分析。这种预测模型结合了实验和计算数据，辅助研究人员找到最有可能成功的路径。研究团队的目标是理解SSE的结构-性能关系，模型能够预测活化能、识别稳定的晶体结构，并优化科研流程。 他们的研究表明，基于第一性原理的MetaD是一种优秀的计算技术，与复杂氢化物SSE的实验数据高度吻合。此外，他们还发现了一种涉及单电荷和双电荷氢化物SSE的新型“两步”离子迁移机制。通过特征分析结合多元线性回归，研究人员成功构建了用于快速评估氢化物SSE性能的精确预测模型。重要的是，该框架能够在没有实验输入的情况下准确预测候选结构。 综合来看，这项研究为下一代固态电池的高效设计和优化提供了重要的见解和先进的方法，显著推动了可持续能源解决方案的发展。未来，研究人员计划将该框架扩展应用于更多类型的电解质家族，并利用生成式AI工具探索离子迁移路径和反应机制，进一步提升平台的预测能力。 该研究的关键实验和计算结果已收录在郝力团队开发的固态电解质动态数据库（DDSE）中，这是迄今为止最大的固态电解质数据库。业内人士对该研究给予高度评价，认为这是一个突破性的进展，不仅加速了固态电池的研发过程，还有望引领其他领域的革新。郝力教授和他的团队在固态电解质领域拥有丰富的经验，此次成果展示了他们在大数据和AI应用方面的深厚积累。