【摘要】 本文解析施思齐教授团队如何通过算法-数据-知识共生的储能材料设计平台，结合机器学习与领域知识，突破固态电池多尺度开发难题。涵盖机器学习流程、数据治理框架、知识图谱应用及高电导率材料Li1.1Ta1.9Zr0.1PO8的成功案例，推动电池研发从试错迈向理性设计。

固态电池因高安全性和能量密度成为全球战略热点，但其材料开发面临多尺度挑战，涵盖成分、结构、工艺等多变量及从材料到模组的全链条问题。

团队突破传统计算平台局限，构建了算法-数据-知识互利共生的储能材料设计平台，整合多种算法（如电化学窗口计算）及专用数据库（离子输运特性、电化学窗口等），聚焦电池材料特有的离子输运、界面稳定性等核心问题，为新材料发现提供系统性工具支撑。

图1 算法-数据-知识互利共生的储能材料设计平台

 

· 机器学习简介

机器学习通过数据驱动规律挖掘，实现分类、回归、聚类等任务，是人工智能的核心分支。其范式从符号主义演进至连接主义与符号主义融合的生成式AI，推动材料科学进入数据驱动的第四范式。

然而，材料领域需避免“为机器学习而机器学习”，需结合领域知识（如电池材料的离子输运特性）构建应用场景，例如通过监督学习预测电导率、无监督学习挖掘材料构效关系，并借助深度学习突破高维数据分析瓶颈。

· 机器学习一般步骤

机器学习流程涵盖目标定义、数据准备、预处理、特征工程、模型构建与模型评估与应用六大步骤：首先明确目标（如预明确具体的材料体系及拟学习的构效关系），整合实验与计算数据；其次对原始数据进行清洗、转换、归一等操作，旨在为机器学习模型提供高质量的学习样本，提出九个维度下评估数据质量治理的概念。接着利用特征工程对描述符空间进行降维以降低模型拟合难度；随后进行机器学习模型的构建，主要包括模型训练和模型评估。选择算法（如随机森林、神经网络），调参优化并验证性能；最终输出预测结果或新材料设计方案。

图2 机器学习应用于电化学储能领域的一般步骤

 

· 数据与理论的协同

施思齐教授提出领域知识嵌入的机器学习，强调物理机制与数据驱动的协同。团队提出高质量数据获取的重要性，已构建4个专用数据库，为固态电解质构效关系研究提供必不可少的多尺度物性数据，并提出领域知识嵌入的材料数据质量治理框架。

通过以关系三元组为基准，构建材料知识图谱并从中探索构效关系知识(从1808篇文献提取24类构效关系)。针对不同材料体系等复杂问题，采用分而治之机器学习——从分属性、分样本分结构等维度，自适应建模使构效关系精准刻画。例如通过机器学习方法筛选选择LiTa2PO8作为研究对象并设计制备出Li1.1Ta1.9Zr0.1PO8,使其常温离子电导率达到1.2 S/cm。其主要基于间隙网络表征方式构建神经网络明星预测含锂化合物激活能。

施思齐教授系统阐释了机器学习在电池材料研究的全链条应用，强调领域知识嵌入与数据质量治理的核心地位推动研发从试错法向理性设计跨越，新材料发现提供了从理论到实践的方法论框架。

 

课程回放

扫描下方二维码

获取本次报告回放