英文原题：Interpretable Machine Learning for Solid-State Batteries
通讯作者：孙源淼，中国科学院深圳先进技术研究院
作者：Xinyu Ye（叶信余）, Yaxin Cheng（程雅馨）, Xuexia Lan（兰雪侠）, Yiwei You（游逸玮）, Jing Peng（彭晶）, Guojin Liang（梁国进）, Xin Guo（郭鑫）, Chenglong Zhao（赵成龙）, Ho Seok Park, Yuanmiao Sun（孙源淼）, Hui-Ming Cheng（成会明）
在碳中和与新能源快速发展的背景下，固态电池（SSBs）因其高安全性与高能量密度，被认为是下一代储能技术的重要方向。然而，其实际应用仍面临多重关键挑战，包括固态电解质离子电导率不足、电极/电解质界面不稳定、复杂工况下的性能衰减机理不清以及电池全生命周期行为难以准确预测。此外，枝晶生长及其诱发的失效问题进一步增加了系统的不确定性与安全风险。
随着数据驱动方法的发展，机器学习逐渐应用于材料筛选与性能预测，但现有模型普遍依赖高维数据与复杂结构，其预测结果缺乏清晰的物理解释，难以揭示关键影响因素及其作用机制。这种“黑箱”特性限制了模型的科学可信度与可推广性，也制约了其在复杂材料体系中的深入应用。因此，如何在复杂多尺度耦合体系中实现可靠认知与机制理解，成为当前亟需解决的核心问题。
针对上述挑战，近日，中国科学院深圳先进院孙源淼研究员团队从系统工程的角度，提出了一套面向SSBs研究的结构化可解释机器学习框架。该框架的核心思想是先将SSBs这一复杂体系拆解为若干具有明确科研目标的关键技术组件，再根据每个组件的具体需求，匹配最合适的可解释机器学习方法。作者首先将现有可解释机器学习方法归纳为五大类（图1）：特征重要性（feature importance）、物理约束解释（physics-based explanation）、多尺度可视化（multiscale visualization）、反事实分析（counterfactual analysis）和因果推断（causal inference）。文章还进一步从计算复杂度、可解释深度和适用性三个维度，对这五类方法进行了系统比较，强调不同方法并不存在绝对优劣，而是服务于不同科学问题和应用场景。
此外，本文进一步提出SSBs的技术框架可以被划分为五个核心组件，即：固态电解质设计（SSE design），材料制备与表征（material characterization），电极/电解质界面优化（electrode/electrolyte interface optimization），电池寿命预测（battery lifetime prediction）和枝晶抑制（dendrite inhibition）。这五个组件并非彼此孤立，而是通过一个清晰的Inputs–Outputs–Links（I–O–L）数据流框架相互连接(图2)。比如，固态电解质设计阶段输出的电导率、稳定窗口和机械特征，可以为后续材料表征和界面优化提供先验约束；材料表征得到的微观结构信息，又可作为寿命预测和枝晶风险分析的重要输入；而枝晶形成机制的识别，最终又能反向指导材料选择和工艺优化。这种设计使得机器学习不再只是局部预测工具，而是逐渐成为贯穿SSBs研发全流程的科学决策支撑系统。
图2. 固态电池五大技术组件及其输入–输出–关联（I–O–L）数据流框架。
在此基础上，本文提出了一个关键观点。可解释机器学习并不存在通用最优方案，而应依据不同技术组件的科学目标进行针对性选择与组合。SSBs体系具有显著的多尺度、多物理场耦合特征，不同研究任务在关注重点、数据形式与机制深度上存在本质差异，因此对可解释性的需求也各不相同。因此，文章构建了“技术组件—方法匹配”的分析框架，将可解释机器学习从通用算法工具转变为面向具体问题的科学方法体系(图3)。其核心在于在参数主导问题中强调关键特征识别，在物理过程受限问题中强化物理约束表达，在结构–性能关联问题中引入多尺度表征，而在复杂失效与演化问题中则需引入因果关系刻画与干预分析。
图3. 固态电池不同技术组件的可解释机器学习方法匹配关系。
文章还通过多个具体例子展示了不同方法在固态电池中的应用场景（图4）。例如，利用SHAP等方法识别影响固态电解质电导率的关键描述符；通过显微图像与卷积神经网络结合，对材料微结构进行多尺度重构；借助热力学模型与深度神经网络耦合，解析电极/电解质界面的离子分布和反应行为；使用因果图分析影响电池寿命的关键变量；通过反事实框架量化调控某一因素对枝晶风险的干预效果。这些案例表明，可解释机器学习并不仅仅是给黑箱赋予解释性，更重要的是帮助研究者把模型输出转化为可验证的科学认识和可执行的优化策略。
图4. 可解释机器学习在固态电池中的典型应用示意图。
文章最后总结了SSBs可解释机器学习面临的核心挑战及发展路径（图5）。当前主要问题包括多尺度数据碎片化导致的信息割裂、物理约束引入带来的计算成本上升，以及模型在实际制造与应用场景中的可靠性不足。针对这些挑战，文章提出通过多尺度数据融合与统一表征提升数据可用性，利用迁移学习平衡物理一致性与计算效率，并构建元模型评估框架以量化模型在工业环境中的适用性。这些方向共同指向一个目标，即推动机器学习从研究工具走向工程可用的智能基础设施。
本文从系统层面构建了面向固态电池的可解释机器学习框架，通过“技术组件拆解—方法匹配”的思路，推动机器学习从黑箱预测向机理驱动设计转变。该框架不仅提升了模型的科学可解释性，也为材料设计与性能优化提供了更具指导性的路径。未来发展仍面临三方面关键挑战：多源异构数据难以统一表达、物理约束与计算效率之间存在权衡，以及模型在真实工业场景中的适用性仍不明确。围绕这些问题，发展多尺度数据融合方法、迁移学习策略以及面向工业约束的评估体系，将是实现可解释机器学习规模化应用的重要方向。
相关论文发表在期刊ACS Nano上，中国科学院深圳先进技术研究院博士后叶信余为文章第一作者，中国科学院深圳先进技术研究院孙源淼研究员为通讯作者。
2018年博士毕业于南洋理工大学（新加坡），2018-2023年于新加坡南洋理工大学从事博士后研究。获批国家高层次青年人才项目，已入职中国科学院深圳先进技术研究院，担任研究员。主要研究方向为计算材料学和AI for Materials。迄今已发表论文80余篇，分别收录于Nat. Catal., Nat. Commun., Sci. Adv., Adv. Mater., J. Am. Chem. Soc., Angew. Chem. Int. Ed.等。论文被引用9000余次（Google Scholar），13篇入选ESI高被引论文，并连续入选斯坦福全球前2%顶尖科学家榜单。
ACS Nano. 2026, 20, 6, 4637–4647
Publication Date: February 2, 2026
https://doi.org/10.1021/acsnano.5c21738
Copyright © 2026 American Chemical Society
Xiaodong Chen
Nanyang Technological University
ACS Nano 是一个用于交流化学、生物学、材料科学、物理学和工程学领域有关纳米科学和纳米技术研究综合类文章的国际平台。此外，该期刊致力于促进科学家之间的交流，开发新的研究机会，通过新发现来推动领域的发展。
Time to First Peer Review Decision
