数据驱动卤化物固态电解质设计：从构效关系解析到高性能材料发现

本文聚焦于数据驱动的卤化物固态电解质设计。研究背景指出，传统基于经验试错的材料设计方法效率低下，难以从大量文献中系统提取设计规律。研究目的是利用人工智能技术构建高效的研究框架，以解析卤化物固态电解质的构效关系并指导高性能材料发现。结论方面，天津大学与中国科学院化学研究所团队利用大语言模型（LLMs）从文献中建立了结构化数据库，结合机器学习识别出阳离子离子势（f+）、锂含量（nLi）和阳离子电荷密度（ρ+）是影响离子电导率的关键理化特征。基于此，团队预测并合成了卤氧化物固态电解质LTAOC，实现了12.2 mS cm⁻¹的高室温离子电导率。该材料在NCM90全固态电池中表现出优异性能：在5 C倍率下循环2000次容量保持率87.4%，并实现4.2 mAh cm⁻²的高面容量。该工作验证了“数据—模型—实验”闭环研究范式的可行性，为固态电解质的理性设计提供了新路径。