北京大學深圳研究生院潘鋒團隊在《美國化學會志》發文
2025-08-11 08:39鋰快離子導體（LSIC，也稱固態電解質）因其在全固態電池中的關鍵作用，近年來引起廣泛關注。如何在龐大的材料結構空間中精準發現具備高離子電導率與良好穩定性的LSIC材料，是構建高能量密度、安全性強的儲能器件面臨的重要科學問題。盡管已有研究在特定結構類型（如LGPS、LLZO等）中取得突破，但仍缺乏一種具有普適性、解釋性與高效率的材料發現方法。
作為一種將材料微觀結構映射為數學圖模型的方法，圖論結構化學近年來在材料基因組、催化活性探索等方向中表現出強大的表示和預測能力。北京大學深圳研究生院新材料學院潘鋒教授團隊長期致力于圖論結構化學方法的拓展與應用，并在該領域提出了一系列創新性工作，實現了材料結構表示（J. Phys. Chem. Lett., 2023, 14: 954），材料的反向設計（npj Comput. Mater., 2025, 11: 147），新型固態電解質的設計（J. Am. Chem. Soc. 2024, 146, 18535），化學反應路徑搜索（CCS Chemistry 2024, 7, 1），催化活性相搜索（Nat Comm. 2025,16, 2542）。近日，潘鋒團隊聯合密歇根州立大學魏國衛教授團隊，提出了一種融合代數拓撲建模與AI無監督學習的多尺度拓撲學習（Multiscale Topological Learning, MTL）框架，用于系統識別和篩選固態鋰電池快離子導體材料。相關研究成果以題為“Superionic Ionic Conductor Discovery via Multiscale Topological Learning”的論文，發表于《美國化學會志》（Journal of the American Chemical Society，ACS）（2025, DOI: 10.1021/jacs.5c04828）。
多尺度拓撲&AI學習工作流程示意圖
該方法以圖論（拓撲）結構化學為基礎，將晶體結構劃分為“鋰離子結構基元”（Li-only）與“非離子結構基元”（Li-free）兩類子結構，通過構建其單純拓撲復形并引入代數拓撲不變量，提取三維空間中與離子遷移通道密切相關的結構信息。研究團隊提出了兩個新穎可解釋的篩選指標：最小連通距離（rconnected）用于量化“鋰離子結構基元”的空間連通性，循環密度（ρcycles）用于刻畫“非鋰離子結構基元”中的拓撲孔洞特征。統計分析表明，所有已知高性能LSIC材料均集中在<5Å、<0.6的范圍內，驗證了這兩個拓撲指標在材料篩選中的判別能力。
團隊發現了14種全新高性能鋰電池快離子導體候選材料
在此基礎上，團隊進一步構建了結合持續同調（Persistent Homology）拓撲指紋與“近鄰傳播算法（Affinity Propagation）”聚類的無監督分類模型，對ICSD數據庫中篩選出的2590種含鋰材料進行結構聚類分析，識別出潛在LSIC簇群。結合AIMD（從頭算分子動力學）模擬與電化學窗口篩選，最終發現了14種全新高性能LSIC候選材料，其中包括Li₇SbO₆、Li₁₀Zn₄O₉等材料已被獨立實驗驗證或專利披露，證實了該方法在材料發現方面的預測可靠性。
研究還系統揭示了拓撲特征與擴散性能之間的關系。這一結果不僅提升了模型對結構—性能關系的物理解釋能力，也為潛在材料的篩選提供了理論支持。在生成候選材料的過程中，研究團隊利用拓撲聚類結果對結構空間進行有針對性的探索，顯著提高了AIMD驗證階段的成功率。
該研究為功能材料高效篩選提供了可泛化的策略，展示了圖論結構化學、代數拓撲與數據驅動方法在材料科學中的深度融合潛力。由于該方法在結構建模過程中不依賴元素種類或晶格類型，未來可推廣至鈉離子導體、質子導體及多種離子輸運材料體系。此外，結合圖神經網絡與自動合成規劃算法，MTL框架有望構建起“結構-性能-合成”一體化的智能材料設計平臺，服務于能源材料、膜材料、功能氧化物等領域的應用需求。
潘鋒和魏國衛為本文的通訊作者，深圳研究生院新材料學院博士畢業生陳冬（現密歇根州立大學博士后）、博士生王炳胥為本文共同第一作者。本研究由國家自然科學基金、廣東省重點實驗室等項目資助。
信息來源： 北京大學深圳研究生院
