研究背景

全固态电池因兼具高安全性和高能量密度，被认为是下一代储能技术的重要发展方向。其中，金属卤化物固态电解质凭借较高的离子电导率、优异的高电压稳定性和良好的机械变形能力，成为近年来全固态电池研究的重要方向。然而，卤化物固态电解质材料组成丰富、化学空间庞大，其组成—结构—性能之间的构效关系仍缺乏系统认识，材料设计仍主要依赖经验判断和试错筛选，研发效率受到限制。

近年来，人工智能技术的发展为材料研究提供了新的思路。尤其是大语言模型（Large Language Models, LLMs）在文献理解和信息提取方面展现出显著优势，为构建高质量材料数据库和开展数据驱动材料设计提供了新的可能。然而，目前卤化物固态电解质领域仍缺乏系统数据库，对影响离子电导率的关键理化特征认识不足。因此，如何利用人工智能实现文献知识挖掘、关键描述符解析和材料预测设计，建立数据驱动的新型研究范式，是该领域的重要研究方向。

文章简介

近日，课题组李德元等构建了人工智能辅助的数据驱动卤化物固态电解质研究框架，实现了从文献知识挖掘、数据库构建、关键理化特征解析到材料预测与实验验证的完整闭环。研究结合大语言模型、特征工程和机器学习，建立了高质量卤化物固态电解质数据库，揭示了影响离子电导率的关键描述符，并成功预测设计出新型高性能卤氧化物固态电解质 LTAOC。实验结果验证了模型预测的可靠性，实现了12.2 mS cm⁻¹的室温离子电导率，并在高镍全固态电池中展现出优异的倍率性能、长循环稳定性和高载量性能。该工作为卤化物固态电解质由经验试错向数据驱动预测设计转变提供了新的研究范式。相关成果以 “Data-driven chemical feature extraction and material design for halide solid-state electrolytes” 为题发表在 eScience 期刊。

图1. 从经验试错到数据驱动的卤化物固态电解质研究范式

本文要点

1. 构建人工智能辅助的数据驱动研究框架，实现文献知识向材料设计的高效转化。结合LLMs、数据库构建、特征工程和机器学习，实现了卤化物固态电解质文献的自动化信息提取和结构化数据库构建。该流程显著提升了数据整理效率，并建立了高质量材料数据库，为数据驱动材料研究奠定了基础。

2. 揭示影响卤化物固态电解质离子电导率的关键理化描述符，实现数据驱动材料预测设计。机器学习识别出阳离子离子势（f⁺）、锂含量（n_Li）和阳离子电荷密度（ρ⁺）是影响离子电导率的关键因素，并据此预测设计出新型LTAOC固态电解质，实现12.2 mS cm⁻¹室温离子电导率，验证了数据驱动材料设计策略的有效性。

3. 实验验证数据驱动设计材料的优异性能，构建“数据—模型—实验”闭环研究范式。结构表征揭示Al掺杂优化了非晶卤氧化物网络中的局部配位环境，促进Li⁺快速迁移；基于LTAOC构筑的Ni90全固态电池表现出优异的高倍率、长循环和高载量性能，证明人工智能辅助材料设计能够有效指导高性能固态电解质开发。

文章链接

https://doi.org/10.1016/j.esci.2026.100590

第一作者简介

李德元博士，现为天津大学化工学院博士后，主要从事高能量密度全固态电池关键材料研究，聚焦卤化物固态电解质、全固态电池及人工智能辅助材料探索。迄今以第一作者/共同第一作者身份在 Natl. Sci. Rev., Angew. Chem. Int. Ed.、eScience、Adv. Energy Mater.、Adv. Funct. Mater. 等期刊发表 SCI 论文9 篇。