鋰快離子導(dǎo)體（LSIC，也稱固態(tài)電解質(zhì)）因其在全固態(tài)電池中的關(guān)鍵作用，近年來引起廣泛關(guān)注。如何在龐大的材料結(jié)構(gòu)空間中精準發(fā)現(xiàn)具備高離子電導(dǎo)率與良好穩(wěn)定性的LSIC材料，是構(gòu)建高能量密度、安全性強的儲能器件面臨的重要科學問題。盡管已有研究在特定結(jié)構(gòu)類型（如LGPS、LLZO等）中取得突破，但仍缺乏一種具有普適性、解釋性與高效率的材料發(fā)現(xiàn)方法。

作為一種將材料微觀結(jié)構(gòu)映射為數(shù)學圖模型的方法，圖論結(jié)構(gòu)化學近年來在材料基因組、催化活性探索等方向中表現(xiàn)出強大的表示和預(yù)測能力。北京大學深圳研究生院新材料學院潘鋒教授團隊長期致力于圖論結(jié)構(gòu)化學方法的拓展與應(yīng)用，并在該領(lǐng)域提出了一系列創(chuàng)新性工作，實現(xiàn)了材料結(jié)構(gòu)表示（J. Phys. Chem. Lett., 2023, 14: 954），材料的反向設(shè)計（npj Comput. Mater., 2025, 11: 147），新型固態(tài)電解質(zhì)的設(shè)計（J. Am. Chem. Soc. 2024, 146, 18535），化學反應(yīng)路徑搜索（CCS Chemistry 2024, 7, 1），催化活性相搜索（Nat Comm. 2025,16, 2542）。近日，潘鋒團隊聯(lián)合密歇根州立大學魏國衛(wèi)教授團隊，提出了一種融合代數(shù)拓撲建模與AI無監(jiān)督學習的多尺度拓撲學習（Multiscale Topological Learning, MTL）框架，用于系統(tǒng)識別和篩選固態(tài)鋰電池快離子導(dǎo)體材料。相關(guān)研究成果以題為“Superionic Ionic Conductor Discovery via Multiscale Topological Learning”的論文，發(fā)表于《美國化學會志》（Journal of the American Chemical Society，ACS）（2025, DOI: 10.1021/jacs.5c04828）。

多尺度拓撲&AI學習工作流程示意圖

該方法以圖論（拓撲）結(jié)構(gòu)化學為基礎(chǔ)，將晶體結(jié)構(gòu)劃分為“鋰離子結(jié)構(gòu)基元”（Li-only）與“非離子結(jié)構(gòu)基元”（Li-free）兩類子結(jié)構(gòu)，通過構(gòu)建其單純拓撲復(fù)形并引入代數(shù)拓撲不變量，提取三維空間中與離子遷移通道密切相關(guān)的結(jié)構(gòu)信息。研究團隊提出了兩個新穎可解釋的篩選指標：最小連通距離（rconnected）用于量化“鋰離子結(jié)構(gòu)基元”的空間連通性，循環(huán)密度（ρcycles）用于刻畫“非鋰離子結(jié)構(gòu)基元”中的拓撲孔洞特征。統(tǒng)計分析表明，所有已知高性能LSIC材料均集中在<5?、<0.6的范圍內(nèi)，驗證了這兩個拓撲指標在材料篩選中的判別能力。

團隊發(fā)現(xiàn)了14種全新高性能鋰電池快離子導(dǎo)體候選材料

在此基礎(chǔ)上，團隊進一步構(gòu)建了結(jié)合持續(xù)同調(diào)（Persistent Homology）拓撲指紋與“近鄰傳播算法（Affinity Propagation）”聚類的無監(jiān)督分類模型，對ICSD數(shù)據(jù)庫中篩選出的2590種含鋰材料進行結(jié)構(gòu)聚類分析，識別出潛在LSIC簇群。結(jié)合AIMD（從頭算分子動力學）模擬與電化學窗口篩選，最終發(fā)現(xiàn)了14種全新高性能LSIC候選材料，其中包括Li?SbO?、Li??Zn?O?等材料已被獨立實驗驗證或?qū)＠?，證實了該方法在材料發(fā)現(xiàn)方面的預(yù)測可靠性。

研究還系統(tǒng)揭示了拓撲特征與擴散性能之間的關(guān)系。這一結(jié)果不僅提升了模型對結(jié)構(gòu)—性能關(guān)系的物理解釋能力，也為潛在材料的篩選提供了理論支持。在生成候選材料的過程中，研究團隊利用拓撲聚類結(jié)果對結(jié)構(gòu)空間進行有針對性的探索，顯著提高了AIMD驗證階段的成功率。

該研究為功能材料高效篩選提供了可泛化的策略，展示了圖論結(jié)構(gòu)化學、代數(shù)拓撲與數(shù)據(jù)驅(qū)動方法在材料科學中的深度融合潛力。由于該方法在結(jié)構(gòu)建模過程中不依賴元素種類或晶格類型，未來可推廣至鈉離子導(dǎo)體、質(zhì)子導(dǎo)體及多種離子輸運材料體系。此外，結(jié)合圖神經(jīng)網(wǎng)絡(luò)與自動合成規(guī)劃算法，MTL框架有望構(gòu)建起“結(jié)構(gòu)-性能-合成”一體化的智能材料設(shè)計平臺，服務(wù)于能源材料、膜材料、功能氧化物等領(lǐng)域的應(yīng)用需求。

潘鋒和魏國衛(wèi)為本文的通訊作者，深圳研究生院新材料學院博士畢業(yè)生陳冬（現(xiàn)密歇根州立大學博士后）、博士生王炳胥為本文共同第一作者。本研究由國家自然科學基金、廣東省重點實驗室等項目資助。