由康奈尔大学研发的一种新型人工智能框架，能够精准预测锂离子电池电解质的性能，并揭示其背后的化学机理，为下一代高性能电池的设计提供了有力工具。该成果于2月19日发表在《自然·计算科学》上。 该框架名为SCAN（动态路由引导的NAE工程平台），专注于非水系电解质——一种能实现更高能量密度的液态或凝胶状材料。传统AI模型通常将电解质成分视为一组静态输入变量，仅通过统计相关性预测导电性，缺乏对化学机制的解释能力，属于“黑箱”模型。 为突破这一局限，康奈尔大学能源系统工程教授冯启友与第一作者、博士后研究员王志龙开发了新型动态建模框架。该框架将盐类、溶剂和工作条件视为独立但相互作用的化学要素，分别提取具有化学意义的描述符，并通过自适应方式整合信息，而非将所有数据压入单一模型。这种方法不仅显著提升了预测精度，还保留了模型的可解释性。 在大规模实验数据集上的测试显示，该框架的预测误差比现有先进机器学习方法降低了超过65%，且在全导电率范围内均保持高精度，尤其对罕见但关键的高导电性电解质配方表现出色。 “对于能源材料而言，仅依赖‘黑箱’预测远远不够，”冯启友表示，“可解释性与物理规律的融合，是构建可靠、可扩展设计工具的关键。” 这项研究是康奈尔大学AI for Science（AI4S）计划的重要成果，旨在整合校内多学科力量，推动人工智能在能源、材料与环境领域的应用。该工作也与冯启友和王志龙近期发表于《科学进展》的另一项研究相呼应，后者提出了一套结合机器学习、模拟与实验反馈的协同框架，用于固态电池研发。 “这两项研究分别从整体战略和具体方法层面推进AI驱动的电池研究，体现了从顶层设计到实践落地的系统性努力。”冯启友表示。