Fig. 1 Illustration of the interpretable crystal graph convolutional neural network. 于是，团队在训练好的锂离子电池电极材料电压预测模型的基础上，使用转移学习继续训练模型使得模型预测多价金属离子电池电极材料电压的误差从2.14 V下降到了0.47 V。然而，深度学习模型的可解释性和可视化却大大降低了模型的可信度，因为人们无从得知深度学习模型是否是因为正确寻找到了输入与输出之间的关联才得到了这么高的准确率。因此，联合课题组又进一步逐层观察模型中间层结果，分析电极材料元素之间的相似性以及元素的局域环境，发现元素周期表中不同族的元素对材料电压的影响也不同，如，p轨道元素的参与会使得电极电压增大，而前过渡金属元素的出现会使得电极电压减小，由此研究人员可以通过元素替换的方法得到具有更高电压的电极材料。
Fig. 2 Plots of predicted voltage and target voltage for the metal-ion batteries. 这样的研究结果，有助于设计发现和设计满足不同需求的电极材料，加速电池领域的研究。课题组将预测模型建立了网页http://batteries.2dmatpedia.org/，方便研究人员使用模型快速预测任意电极材料电压。
