研究背景

由于传统锂离子电池电解质易燃且能量密度提升受限，开发使用本征安全的全固态电池已成为下一代能源存储技术的关键方向。然而，固态电解质的研发面临着严峻挑战：一方面，其化学搜索空间极其广阔且复杂，离子传输机制在不同体系中呈现出高度非线性的耦合关系，人类研究者仅凭经验难以精准捕捉其设计规则；另一方面，传统的材料发现模式高度依赖经验试错，效率低下。目前，人工智能为加速材料发现提供了新契机，但现有的应用往往局限于简单的工具集成，在处理高度专业化的化学语义时深度不足，且缺乏能够自主提取信息、形成假设并指导端到端实验的闭环决策能力。因此，迫切需要开发一种能够从海量非结构化文献中自主进行知识发现与规律总结的智能研究体，以实现从被动数据检索向主动科学探索的范式转变。

文章简介

针对全固态电池研发中的挑战，本研究开发了由GPT-4o驱动的固态电解质自主探索智能体AutoSEE。该系统旨在改变传统的材料发现范式，通过集成文献筛选、文本挖掘、特征工程和机器学习等工具，实现从海量非结构化文献中自主提取知识、揭示设计原则并指导新材料的高效开发。将AutoSEE用于卤化物固态电解质，其不仅在极短时间内完成了高精度的知识提取，还自主揭示了“高电荷密度骨架有利于稳定无定形相并提升电导率”的关键设计准则，并基于此准则成功指导了新型电解质 LiTaBOCl 的合成与验证。相关文章以题为“AutoSEE: An artificial intelligence agent for automated solid electrolyte exploration”在国际知名期刊ACS Energy Lett.上发表。

文章要点

首先介绍了由 GPT-4o 驱动的智能研究体 AutoSEE的基本框架；讨论并详细介绍了AutoSEE 的系统架构，包括集成文献筛选、高保真文本挖掘、特征工程及机器学习等模块；接着，通过对卤化物电解质的案例研究，展示了AutoSEE自动化科研探索的能力；最后，总结了这种从“被动数据检索”向“主动知识发现”转型的研发范式。

文章链接

https://doi.org/10.1021/acsenergylett.6c00020

第一作者简介

罗菲菲，天津大学化工学院2024级硕士，导师为杨春鹏教授，致力于卤化物固态电解质的研究。

2026-04-03