九州大学制成阴离子交换膜材料图谱，联用两种无监督机器学习技术

本文介绍了九州大学研究团队在燃料电池和水电解装置核心材料——阴离子交换膜(AEM)领域取得的新进展。背景方面,AEM的分子设计需兼顾高离子传导性与长期碱性稳定性,但这两者存在竞争关系,传统设计高度依赖经验法则。研究旨在利用机器学习技术,构建可解释的AI框架,从黑箱模型中提取定量分子设计指针。研究团队通过自建数据库和两阶段降维策略,结合SHAP可解释AI分析与ChatGPT辅助解释,成功提取出多项定量设计指针,包括联苯骨架有效性、侧链长度8个键长的重要性等。这些设计指针与实验知识吻合,为经验法则提供了定量依据。基于提取的设计指针提出的4种概念性聚合物中,有2种被预测在80℃下阴离子传导率超过0.1S/cm,高效筛选了候选材料。该框架适用于所有采用分子描述符的材料体系,有望减少材料开发中的试错次数,降低时间和成本。研究团队后续将与东京都立大学合作实验验证预测精度与设计指针合理性。