研究背景

近年来，人工智能正日益融入科学研究，助力加速发现过程并提升研究效率。其中，大语言模型（LLM）作为一种生成式人工智能模型，具备突破传统语言模型局限、承担高强度语言任务的能力。在文献挖掘、数据标准化与数据库构建等环节中引入LLM，可实现科研流程的自动化、显著提高效率。同时，机器学习在处理大规模复杂数据、揭示结构-性能关系以及指导新材料开发方面展现出独特优势。因此，将人工智能与能源存储研究相融合，为材料创新开辟了新路径。金属有机框架（MOF）作为新兴的固态电解质，凭借其高比表面积和多孔结构，在锂金属电池中展现出广阔前景。然而，性能优异的MOF材料设计仍高度依赖实验探索，缺乏系统化指导，难以支撑大规模试错筛选。

文章简介

近期，我们通过LLM构建了MOF固态电解质数据库及候选材料数据库，基于数据库使用表示聚类挖掘潜在固态电解质材料。通过交互式LLM框架进行文本挖掘，实现数据的高效自动化提取。进一步基于数据库，通过设计表示聚类框架，利用聚类分析实现关键特征聚类与潜力材料识别。以NOTT-400为例，对其进行实验验证，证明了其在电解质应用中的可行性以及表示聚类框架的有效性。同时，通过更改聚类方法和聚类参数，可以筛选出更多的候选材料，证明了研究框架具有普适性和可调性。最后使用LLM进行总结，得到了具有指导性和验证性的材料设计准则。该工作提出了LLM与机器学习相融合的固态电解质探索新范式，为加速功能材料发现提供了有效策略。

其成果以题为“Mining Solid-State Electrolytes from Metal–Organic Framework Databases through Large Language Models and Representation Clustering”在国际知名期刊Journal of the American Chemical Society上发表。

文章要点

一、高效准确的LLM文本挖掘：通过交互式迭代框架的设计，实现了高效且准确的文本挖掘，建立了MOF SSE专用数据库以及MOF候选材料数据库。

二、基于表示学习框架的材料挖掘：通过设计表示聚类框架，在MOF SSE数据集的样本指导下，实现从MOF候选材料数据挖掘出适用于SSE的MOF材料。

三、MOF固态电解质设计准则的建立：使用LLM对MOF SSE中结构-属性映射关系进行分析并总结MOF SSE的材料设计准则。

文章链接

https://pubs.acs.org/doi/10.1021/jacs.5c12212

作者简介

李佳欣，天津大学化工学院2024级博士研究生，导师为杨春鹏教授。以第一作者/共同第一作者在J. Am. Chem. Soc., Adv. Mater.上发表论文3篇。目前致力于新型框架化学材料固态电解质及全固态电池的研究，旨在开发新型高性能框架化学材料固态电解质，构建高比能长寿命全固态电池。

2025-10-27