我院陈云贵教授、严义刚研究员团队王倩博士与日本东北大学李昊教授合作，近期于期刊Angewandte Chemie International Edition发表封面论文 (Outside Front Cover) “Unraveling the Complexity of Divalent Hydride Electrolytes in Solid‐State Batteries via a Data‐Driven Framework with Large Language Model”。本研究首次构建了一个由大语言模型（LLM）驱动的“数据挖掘+动力学模拟+材料预测”三位一体智能工作流，融合实验数据库、MetaD模拟、机器学习回归与遗传算法结构预测，全面揭示了二价氢化物固态电解质复杂的离子迁移机制，提出了全新的材料筛选范式。这项研究不仅提升了固态电池材料的开发效率，更为突破性材料设计提供了强大“算力引擎”！
【研究要点】
1.首次引入大语言模型（LLM）驱动材料结构-性能建模，系统性挖掘2556种实验材料18635组电导率测量值，揭示“中性分子协同迁移”机制；
2.创新提出“二步离子迁移”机制：离子先“解锁配位”，再“滑移至空位”，迁移路径清晰可见；
3.MetaD模拟预测精度高达R2 = 0.95，相比传统CI-NEB（R2 = 0.32）、AIMD（R2 = 0.35），几乎是质的飞跃；
4.建立高精度的活化能（Ea）预测模型，成功预测出新型材料Mg(BH4)2·6(CH3)2CHNH2，活化能低至0.62 eV。
【文章要点】
固态电池（SSBs）是下一代电源技术的核心发展方向之一。但受限于固态电解质（SSE）材料的迁移效率和界面稳定性，技术瓶颈始终未被打破。由于SSE材料体系本身复杂多变，现有理论方法难以准确预测其离子迁移行为；尤其在Mg2+、Ca2+等二价离子作为载流子的体系中，因其较强的电荷密度，传统机制常常失效，显著限制了材料筛选的效率与精度。此外，当前大多数研究往往集中于单一方法或单一材料体系，缺乏整体性的理解与整合策略。因此，关键问题是：如何更好地发挥理论预测的指导作用？又如何设计一套能实现“建模-验证-反馈”的理想化工作流程？
于是，研究团队决定换一种思路——“让AI帮我们找规律”。本研究不仅是材料发现的一次工具革新，更是将AI赋能材料科学的实际落地案例：让“能不能迁移”不再靠运气，而是靠机制、靠建模、靠数据，让材料设计从经验走向理性，从试错走向智能。
图1. 氢化物SSE的大数据驱动AI智能体。(A) 左图：从迄今报道的现有实验数据中提取的所有类型 SSE 离子电导率的温度曲线。右图：使用不同方法计算得出的所有类型SSE的Ea值。(B) 从迄今报道的现有实验中提取的氢化物 SSE 离子电导率的温度曲线。点的尺寸与Ea值的高低一致，点越大表示活化能越高。(C) 实验Ea与不同方法计算Ea之间的基准分析。(D) 开发高性能SSE的工作流程示意图。所有数据源均可从DDSE数据库中获取（https://www.ddse-database.org/）。
图 2. 氢化物SSE的实验和模拟阳离子活化能。(A) 氢化物SSE 中的典型阳离子、阴离子和中性分子。(B) 含有（填充图标）和不含（半填充图标）中性分子的结构的实验Ea值与MetaD模拟Ea值的对比。(C) MetaD模拟过程中Mg(BH4)2·2NH3的结构。(D) 模拟过程中Mg离子的空间轨迹。(E-F) Mg(BH4)2·2NH3和LiBH4·NH3的单元结构 (E) 和迁移过程 (F) 。(G) Mg(BH4)2·2NH3中的Mg离子势能面。
图 3. 氢化物 SSE 的迁移 Ea 与理论描述符之间的相关性分析。(A) 对所考虑的八种性质与Ea进行的特征描述，包括每个材料的单胞体积(V)、鲍林电负性(X)、体系原子序数(Z)、阳离子结合能(bm)、阴离子距离(d)、中性分子数(n)、原子半径(ratom)和离子半径 (rion)。(B) 具有中性分子的二价SSE的多元线性回归模型。
图4. 基于智能工作流的氢化物SSE预测。(A) 二价氢化物SSE的多重线性相关预测。(B) 生成过程中获得的相对能量。(C) Mg(BH4)2·6(CH3)2CHNH2和(D) Zn(BH4)2·6(CH3)2CHNH2的晶体结构和局部配位环境。(E) Mg(BH4)2·6(CH3)2CHNH2中镁离子迁移和 (F) Zn(BH4)2·6(CH3)2CHNH2中锌离子迁移的势能面。
论文信息：
Qian Wang, Fangling Yang, Yuhang Wang, Di Zhang, Ryuhei Sato, Linda Zhang, Eric J. Cheng, Yigang Yan, Yungui Chen, Kazuaki Kisu, Shin-ichi Orimo, Hao Li*, “Unraveling the Complexity of Divalent Hydride Electrolytes in Solid‐State Batteries via a Data‐Driven Framework with Large Language Model.” Angewandte Chemie International Edition, 2025, e202506573.
原文链接： https://doi.org/10.1002/anie.202506573
【氢能与化学电源团队】
本团队主要围绕氢能、燃料电池、化学电源，开展关键材料合成与制备、器件开发与设计的基础前沿和应用研究、及工程化应用。团队研发的宽温区镍氢电池、钒钛基储氢合金等技术已成功实现产业化。目前在重点攻关新型储氢材料、储氢系统设计与集成、燃料电池钛双极板、固态锂离子电池、镁离子电池、高效低铂/无铂催化剂等技术。
【DDSE数据库】
DDSE（The Dynamic Database of Solid-State Electrolyte） 由日本东北大学李昊教授团队主导研发，是目前全球最大的固态电池材料数据平台，支持实验与计算模拟的深度融合，助力下一代能源存储技术的创新发展。数据库地址：https://www.ddse-database.org/
