#InfoScience亮文解读 #锂离子电池 #机器学习 #构效关系 #性能预测
南京大学王学斌教授等人在InfoScience发表了题为“Artificial intelligence-driven decoupling structure-activity relationship for lithium-ion batteries”的综述论文。该文总结了机器学习解析锂离子电池电极材料高维数据及构效关系的基本概念和算法模型及挑战，可为电池材料智能化设计提供参考。
随着电动汽车、智能电网和大规模储能的快速发展，市场对高能量密度、高安全性和长寿命锂离子电池的需求不断提高。传统电池材料研发模式主要依赖“试错”实验，研发周期较长且投入较高，是影响材料快速迭代的瓶颈。锂离子电池是多尺度、多物理场耦合的复杂电化学体系。从微观晶体结构到介观颗粒形貌，再到宏观电池指标，众多变量形成高维空间。传统直觉和单变量分析较难有效处理庞大的高维特征，限制了构效关系解析。
数据驱动的人工智能（AI）与机器学习（ML）作为新的科研范式，正在受到广泛关注。AI具有较强的高维数据解析、特征提取与非线性拟合能力，有助于辅助理解复杂体系中的关键因素，为解析物理化学构效关系提供新方法，为电池材料筛选、性能预测和逆向设计提供技术支持。
1. 主要研究成果
1）机器学习工作流的建立
该文总结了人工智能用于锂电池领域的基本工作流，展示了电极材料从微观到宏观的闭环传递与智能化解耦，为构建机器学习解耦电池构效关系的工作流提供参考。首先对文献或实验中的光谱、图谱等多源异质数据进行规范化清洗和缺失值处理，随后利用相关系数定量评估多维描述符，剔除冗余特征，以实现关键特征降维。在高质量数据库基础上，利用SHAP、PDP等模型解释方法，分析电极材料结构改变对电化学性能的影响，明确电化学物理特征的重要性排序，并辅以研究人员经验综合判断电池性能关键特征。此外，该文还整理了常见回归/分类模型及其评价指标。
图1. 人工智能驱动的锂离子电池“结构-性能”构效关系解析示意图。
2）锂离子电池电极材料的高通量筛选
由于材料结构特征空间组合数量庞大，传统材料研发依赖耗时费力的试错过程，而机器学习有助于实现材料发现向“数据驱动”材料设计的转变。该文梳理了分级、多层筛选工作流，利用随机森林、梯度提升决策树等模型对高质量材料结构数据库进行筛选，以及利用深度评分函数等对筛选出的候选结果进行进一步过滤与提炼。
图2. 锂离子电池电极材料的高通量筛选（图片引自：Mater. Horiz. doi:10.1039/D5MH01525A; ACS Nano. 2021; 15:16469-16477）。
3）锂离子电池电极材料的逆向设计
该文梳理了从生成式AI逆向设计到机器学习原子间势能（MLIPs）加速电极材料发现的研究路径。在逆向设计中，MatterGen等生成式模型可根据预设的离子电导率、能量密度等目标性能，反向生成候选晶体结构与局域配位环境，为材料设计提供思路，并指导新型晶体如TaCr2O6的实验合成。此外，MLIPs可学习高精度DFT数据，将计算效率提高约3-6个数量级，用于预测电解质、电极材料等体系的信息。这种“主动生成+快速预测”的模式，为电极材料研发提供了新路径。
图3. 锂离子电池电极材料的逆向设计（图片引自：Nature. 2025; 639:624-632）。
4）锂离子电池的寿命预测
针对电池在工况下非线性衰减预测较难的问题，通过电化学曲线特征工程引入差分容量（dQ/dV）、电压-容量曲线变化等特征描述符，并利用长短期记忆网络（LSTM）等算法，以捕捉电池衰减变化。相关模型可用于预测电池健康状态（SOH）及剩余寿命（RUL），也有助于从电压、电流信号中分析活性锂损失、活性材料损失等容量退化机制，从而为终端产品设计提供参考依据。
图4. 锂离子电池的寿命预测（图片引自：Energy Environ Sci. 2022; 15:4083-4094; Nat Energy. 2019; 4:383-391）。
2. 当前面临的核心挑战
1）电极材料物性数据、电池性能数据的测试条件难以统一
大量文献中电极材料结构信息通过XRD、Raman、FT-IR等谱图分析获得，但测试分析条件并不一致；晶面间距、比表面积等结构信息，容易因拟合模型、人为取点偏差或仪器噪声导致数据波动；电池测试环境、制备工艺等参数，也缺少标准化流程，导致不同文献中存在数据偏离。这些因素影响数据驱动建模的准确性，也影响模型的泛化能力和迁移能力。
2）机器学习模型的物理解释较难，仍需要经验辅助
机器学习模型在数据拟合和性能预测上通常表现较好，但由于复杂的数学结构，内在关系较难解释。虽然SHAP、PDP等方法可通过定量贡献度解析特征对模型预测的影响，但仍需要辅以研究人员的科研经验，对模型结果进行归纳，给出较为合理的构效关系。更高效率和可信度的算法模型仍有待发展。
3）逆向设计与实验合成仍存在差距
虽然生成式 AI 在材料逆向设计方面取得了较快发展，能够利用高通量算法与逆向设计生成候选晶体结构，但在实际应用中，如何将理想化结构与材料合成路径、复杂环境因素以及多相接触界面等实验工艺相匹配，仍面临较大挑战。
该综述论文总结了人工智能在锂离子电池材料设计中的应用，主要阐述了从数据采集、特征工程、机器学习建模到模型解释的工作流，并探讨了高通量材料筛选、逆向设计、寿命预测等应用。此外，提出了原始数据清洗困难、多维特征间构效关系解耦困难、模型的物理解释不足等挑战。
数据驱动的电池电极材料设计，仍需进一步发展标准化数据分析与特征提取，研发融合物理化学机制的机器学习模型，并结合原位表征、理论计算与实验验证，助力从传统试错式研发模式向智能化跨尺度材料设计的范式转变。
王学斌，国家级青年人才（2015年），南京大学现代工学院、固体微结构物理全国重点实验室教授/博导，化学化工学院跨学科博导。本、硕毕业于南京大学，博士毕业于早稻田大学，曾在日本材料所工作。从事硼碳氮体系微结构材料物理与化学、新能源和复合材料及AI4S研究。发表论文130余篇，参编书籍3项、标准4项。主持国自然-企业联合重点、面上、江苏省重点研发等20余项目。获国家级青年人才、第三届国际前沿材料青年科学家奖、江苏省行业领域十大科技进展（第1完成人）等。任中国复合材料学会委员、江苏省材料学会副秘书长。
Artificial intelligence-driven decoupling structure-activity relationship for lithium-ion batteries
Tao Wang, Yuhang Meng, Tianhao Chen, Xiangfen Jiang*, Yoshio Bando, Jinjue Zeng*, Xuebin Wang*
Citation:InfoScience. 2026; e70015
DOI: 10.1002/inc2.70015
原文链接：https://onlinelibrary.wiley.com/doi/10.1002/inc2.70015
本文仅用于学术分享，转载请注明出处，如有侵权，请联系后台小编删除【菲常新品】高通量催化剂制备反应检测系统：①全自动全流程智能化，从制备到检测一站式完成；②适配气固相非冷凝类反应（CO+H₂、合成氨等）。
