高熵固态电解质的发现：一个将原子构型与离子传输性质连接起来的双阶段机器学习框架

本研究的重要性

现代电动汽车与便携设备越来越依赖于比现有液态设计更安全、更紧凑的固态电池。构成这一拼图的关键之一是固态电解质——允许锂离子在电池电极之间移动的材料。本文介绍了一种新的计算机引导搜索方法，可在数千种复杂电解质配方中寻找那些能让离子高速通过的配方，这有望帮助工程师以更高效的方式设计更好的固态电池。

繁多化学配方带来的挑战

科学家发现，“高熵”电解质——许多不同元素在原子位置上随机混占的体系——有时能很好地传导锂离子。但这种化学复杂性也带来代价。可能的组合数量呈爆炸性增长，传统的试错实验或耗时的量子计算无法现实地全部测试。在这些拥挤的结构中，原子位置的细微移动会改变离子穿越材料的难易程度，使得事先猜测出优胜配方变得困难。

以智能模型作为捷径

作者通过围绕一种已知固态电解质LZSP构建的双阶段机器学习框架来应对这一挑战。在第一阶段，他们微调了现有的神经网络势CHGNet，使其能模拟该材料家族的高成本量子计算。这个调整后的模型可以快速弛豫原子结构并进行虚拟加热试验，跟踪锂离子随时间的运动。它在精度上接近受信任的量子方法，同时将计算时间从数天缩短到数小时甚至更短。

将结构与离子运动联系起来

第二阶段将问题变得更快更简便。研究人员训练了一个独立模型，将简单的结构特征与锂离子典型迁移距离关联起来，而不是对每个候选进行详细模拟。他们输入诸如锂原子的数量、某些原子笼的畸变程度以及晶胞的拉伸情况等量化特征。模型学习到哪些模式对应缓慢运动，哪些对应长程离子跳跃。借助这一捷径，团队可以在不逐一运行完整模拟的情况下，快速估算数千种假想材料的离子迁移率。

发现脱颖而出的固态电解质

凭借这一两步策略，研究者扫描了基于LZSP的五元素巨大空间，涵盖4575种不同的组成。他们的基于特征的模型作为筛子，根据预期的离子迁移率对候选项进行排序，然后只对排名靠前的少数样本应用更详尽的模拟。该流程发现了一种由锆、铪、锡、钛和铌组成的特定混合物，预测其在室温下的锂离子传导能力比原始LZSP高约一千倍。计算结果也解释了原因：合适的元素组合在原子框架中产生锂空位和温和的畸变，从而打开连通的低阻路径以利于离子流动，同时保持晶格的稳定性。

这些发现对未来电池的意义

对非专业读者来说，关键结论是作者构建了一个用于电池材料的智能筛选器。与其用缓慢、详尽的计算或实验去检查每一种可能的配方，他们使用快速训练的模型排除性能差者并突出值得深入关注的小部分候选。这种方法不仅指向了一个特别有前景的固态电解质候选，还阐明了促进快速离子运动的结构特征。由于该方法具有通用性，它可以被适配用于其他固态电解质乃至其他性质，为在目标导向、节省时间的方式下探索巨大的化学空间提供了一条实用路线图。

引用: Fu, X., Xu, J., Yang, Q. et al. High-entropy solid electrolytes discovery: a dual-stage machine learning framework bridging atomic configurations and ionic transport properties. npj Comput Mater 12, 178 (2026). https://doi.org/10.1038/s41524-026-02041-w

关键词: 固态电解质, 高熵材料, 锂离子传输, 机器学习材料, 固态电池