AI助力固态电解质创新

鉴于固态电池（All-solid-state batteries, ASSBs）在安全与能量密度方面的巨大潜力，固态电解质（SEs）的开发已成为储能研究的关键领域。然而，由于SE材料体系复杂、结构-性能关系高度非线性，及候选材料空间庞大，传统依赖经验和试错的研究模式效率低下，严重限制了材料创新速度。

2026年4月2日，天津大学杨春鹏教授与王旗龙教授团队在《ACS Energy Letters》上发表了一篇题为“AutoSEE: An Artificial Intelligence Agent for Automated Solid Electrolyte Exploration”的论文。该研究提出了一种基于大语言模型的自动化科研智能体——AutoSEE，实现了从文献解析、数据构建到材料设计的端到端自主科研流程，标志着材料研究从“数据检索”向“知识自动发现”的转变。本文首先指出，传统AI在材料研究中的应用大多停留在“工具层”，即用于数据处理或性能预测，但仍需大量人工干预，缺乏真正的自主决策能力。而AutoSEE的核心创新在于构建了一个闭环自主科研系统（closed-loop research agent），能够从非结构化文献中自动提取信息、构建数据库、挖掘规律并提出新材料设计方案。 在方法体系上，AutoSEE以GPT-4o为核心控制器，整合多个模块，包括：文献筛选、文本挖掘、特征工程、数据分析、机器学习建模及知识可视化。系统首先通过语义理解模型对226篇卤化物固态电解质文献进行自动筛选，仅用约17秒完成高精度分类（准确率达99%），相比人工筛选效率提升约两个数量级。随后，通过自验证文本挖掘机制，AutoSEE能够高精度提取材料关键参数（如化学组成、结构类型、离子电导率等），并构建高质量数据库。在数据分析阶段，AutoSEE通过特征工程将原始数据转化为具有物理意义的描述符（如离子半径、电荷密度、电负性等），并结合统计分析与可视化方法，初步揭示材料组成与性能之间的复杂关系。然而，作者指出，简单的二维相关性分析难以揭示本质规律，因此引入无监督机器学习方法（如PCA、UMAP及HDBSCAN聚类）对高维数据进行深入挖掘。 通过聚类分析，AutoSEE自动识别出6类材料，其中一类（Cluster 5）表现出显著优异的离子电导率特征。进一步分析发现，该类材料具有三个关键特征：非平衡合成（如球磨）、非晶结构以及高电荷密度元素组成。特别是高价态阳离子（如Ta⁵⁺、Al³⁺）能够增强体系的玻璃形成能力，稳定无序结构，从而构建低能垒的离子迁移通道。基于这一发现，AutoSEE进一步通过元素富集分析与成分空间映射，提出了一个定量设计原则：高电荷密度有利于形成非晶结构并提升离子电导率。这一规律不仅