2025年4月17日，日本东北大学李昊教授团队（DigCat + DigBat团队）在Angewandte Chemie International Edition（德国应用化学杂志）上发表研究论文：“Unraveling the Complexity of Divalent Hydride Electrolytes in Solid‐State Batteries via a Data‐Driven Framework with Large Language Model”。本研究首次构建了一个由大语言模型（LLM）驱动的“数据挖掘+动力学模拟+实验理论对比+材料预测”四位一体智能工作流，融合实验数据库、MetaD模拟、机器学习回归与遗传算法结构预测，全面揭示了二价氢化物固态电解质复杂的离子迁移机制，提出了全新的材料筛选范式。这项研究不仅提升了固态电池材料的开发效率，更为突破性材料设计提供了强大“算力引擎”。#相关DDSE AI智能体介绍#
研究亮点速览：
✅ 首次引入大语言模型（LLM）驱动材料结构-性能建模，系统性分析数据库里2556种实验材料+18635组电导率测量值，揭示“中性分子协同迁移”机制；
✅ 创新提出“二步离子迁移”机制：离子先“解锁配位”，再“滑移至空位”，迁移路径清晰可见！
✅ MetaD模拟预测精度高达R2 = 0.95，相比传统CI-NEB（R2 = 0.32）、AIMD（R2 = 0.35），几乎是质的飞跃；
✅ 建立高精度的活化能（Ea）预测模型，成功预测出新型材料Mg(BH4)2·6(CH3)2CHNH2，活化能低至0.62 eV。
研究背景：固态电池“最后一公里”在哪里？
固态电池（SSBs）被视为下一代能源技术的终极形态，但受限于固态电解质（SSE）材料的迁移效率和界面稳定性，技术瓶颈始终未被打破。然而，由于SSE材料体系本身复杂多变，现有理论方法难以准确预测其离子迁移行为。尤其在Mg2+、Ca2+等二价离子作为载流子的体系中，因其较强的电荷密度，传统机制常常失效，显著限制了材料筛选的效率与精度。此外，当前大多数研究往往集中于单一方法或单一材料体系，缺乏整体性的理解与整合策略。因此，关键问题是：如何更好地发挥理论预测的指导作用？又如何设计一套能实现“建模-验证-反馈”的理想化工作流程？
于是，研究团队决定换一种思路——“让AI帮我们找规律”。
大模型+大数据库：一场材料发现范式的革新
📌 图文导读
01｜以数据驱动和人工智能加速的工作流程了解高性能 SSE
通过将2,556种实验材料、18,635组电导率数据的大规模数据接入大语言模型，形成的固态电池AI智能体告诉我们：实验上，氢化物电解质中不含中性分子的单价电解质（如Li⁺、Na⁺等）通常表现出良好的离子导电性（10-7 ~ 10-1S·cm-1）和较低的活化能（Ea < 1.0 eV）。然而，在相同阴离子体系下，二价离子因其更强的静电作用，在常温下难以实现有效迁移，因此缺乏中性分子的二价SSE非常稀少；理论模拟上，如图1C所示，包括CI-NEB、AIMD在内的一系列模拟方法Ea与实验结果之间的差异及其准确性评估，表明传统方法在精度上存在显著问题。为进一步验证这些结论，本研究开展了一系列MetaD模拟，深入解析21种SSE材料中的离子迁移机制（图1D），并引入多种结构描述因子以揭示迁移活化能的调控规律，尝试从根本上建立“结构-性能”的指导原则。
图1. 氢化物SSE的大数据驱动AI智能体。(A)左图：从迄今报道的现有实验数据中提取的所有类型 SSE 离子电导率的温度曲线。右图：使用不同方法计算得出的所有类型SSE的Ea值。(B)从迄今报道的现有实验中提取的氢化物 SSE 离子电导率的温度曲线。点的尺寸与Ea值的高低一致，点越大表示活化能越高。(C)实验Ea与不同方法计算Ea之间的基准分析。(D)开发高性能SSE的工作流程示意图。所有数据源均可从李昊教授团队开发的DDSE数据库中获取（https://www.ddse-database.org/）。
02｜阳离子迁移的准确预测和新机制
截至目前，氢化物固态电解质（SSE）已被广泛应用于多种材料体系中（见图2A）。其中的阳离子主要包括单价离子（如Li+、Na+和K+）与二价离子（如Ca2+、Mg2+和Zn2+）；阴离子则涵盖较小的nido型（如BH4‑）和arachno型（如B3H8‑）硼氢化物，以及近期研究中新引入的“笼状”closo型阴离子（如BnHnx-和CBnHnx-）。此外，中性分子（如H2O、NH3、NH3BH3和CH3NH2）在减少阳离子配位数量、扩展晶格空间方面发挥了关键作用，从而显著加快了阳离子的迁移行为。
本研究对21种SSE材料中不同类型的阳离子、阴离子及中性分子体系进行了系统性的MetaD模拟，获得其自由能面，并在补充视频中直观展示了阳离子迁移过程。图2B对比了MetaD模拟获得的活化能（标记为MetaD Ea）与实验测得的活化能（标记为Experimental Ea），涵盖了含有（实心图标）和不含（半实心图标）中性分子的结构体系。所有MetaD模拟均在与实验中观测相同相态对应的温度下进行。令人振奋的是，MetaD模拟的Ea值与实验值高度吻合，拟合优度高达R2 = 0.95，特别是在对含中性分子的高Ea值二价SSE材料建模方面展现出优异的对标效果。
MetaD模拟还帮助我们识别出一种新颖的阳离子迁移机制。以图2C所示的Mg²⁺迁移快照为例，从0 ps到12 ps，Mg离子（黄色标记）从其原始的四面体配位位点开始离域，逐步靠近中性分子（NH3）并进入间隙位置。12–21 ps阶段，Mg离子继续沿间隙迁移，并交替与周围BH4阴离子形成配位，最终完成整体迁移过程。空间轨迹图（图2D）显示：在40 ps的模拟时间内，Mg离子迁移距离约为纵向1.9 Å、垂向1.0 Å。在整个迁移过程中可观察到两个准稳定态：
- “配位解锁”阶段：Mg离子从其原始对称配位位置脱出，这是迁移过程的第一步；
- “浆轮机制”协同迁移阶段：随后，BH4阴离子向邻近空位运动，协助Mg离子迁移完成。
这两个过程分别持续了约10 ps和30 ps，形成了连续的双阶段迁移路径。
令人惊喜的是，在LiBH4·NH3体系中也观察到了类似迁移路径。Li离子在完成“脱出”及后续迁移的时间分别为10 ps和8 ps，其空间轨迹显示Li离子在18 ps内完成约1.5 Å横向和1.0 Å纵向的迁移路径。
图2E展示了Mg(BH4)2·2NH3与LiBH4·NH3的基本结构单元，两个体系中的阳离子均被对称地包围在阴离子和中性分子之间。迁移过程涉及两个特征性活化能：第一阶段Ea₁为阳离子从对称配位环境中“脱出”的能垒；第二阶段Ea₂为阳离子向邻近空位迁移的能垒。图2F展示了MetaD模拟下Mg离子在Mg(BH4)2·2NH3中的势能面，结果显示Ea₁约为1.21 eV，Ea₂约为2.00 eV。结合Mg轨迹数据，Ea₁可对应于初始“解锁”过程，Ea₂则对应随后的实际迁移路径。
图 2. 氢化物SSE的实验和模拟阳离子活化能。(A)氢化物SSE 中的典型阳离子、阴离子和中性分子。(B)含有（填充图标）和不含（半填充图标）中性分子的结构的实验Ea值与MetaD模拟Ea值的对比。(C)MetaD模拟过程中Mg(BH4)2·2NH3的结构。(D)模拟过程中Mg离子的空间轨迹。(E-F）Mg(BH4)2·2NH3和LiBH4·NH3的单元结构（E）和迁移过程（F）。(G)Mg(BH4)2·2NH3中的Mg离子势能面。
03｜二价SSE的线性相关和总体趋势
系统性构建了包含原子电荷、电负性、配位数等在内的八大特征描述符，成功实现对二价离子活化能（Ea）的高精度预测（R2 > 0.90）。在单一参数拟合中发现，在BH4体系中，Ea与ratom、X和Z的相关性分别达到了R2 = 0.99、0.98 和 0.97；而在closo型SSE中，对应的R²值则为0.83、0.86 和 0.78。这三类描述因子均属于材料的固有物理属性，无需额外的第一性原理计算，因而极具推广价值，是指导下一代SSE材料设计的强有力工具。为进一步统一两种类型的氢化物SSE，并将结论推广至更宽泛的材料体系，我们采用多元线性回归模型：Ea = a₁·P₁+a₂·P₂+b（其中Pᵢ为选定的特征参数，aᵢ和b为拟合系数）。结果表明，当选择特征对为（ratom, X）和（n, V）时，拟合效果最佳，R2均达0.91（图3A）。
图3B展示了含中性分子的二价SSE中，MetaD模拟与实验对标的Ea在变量（ratom, X）上的多元线性拟合结果。多变量回归模型（如Ea=a₁·ratom+a₂·X+b）预测结果与实验高度一致，R2 = 0.91，充分验证了该模型在探索中性分子调控下的离子迁移规律中的适应性与可扩展性。图中空心方块代表相关实验数据进一步印证了该线性函数在识别新型SSE材料方面的预测能力。对于y1线所遵循的回归方程为：x = -0.0593X + 0.0029ratom。我们将该函数进一步推广至其他氢化物SSE体系，包括Mg(CB11H12)2∙7.5H2O的MetaD数据，以及M(CB11H12)2∙nH2O（M = Ca, Mg, Zn）和Mg(BH4)2∙nCH3NH2（n = 1–12）的实验数据。上述材料的结果构成另一条拟合曲线y2，其R2高达0.98，表现出与硼烷类（y1线）不同的统计趋势。造成这种差异的可能原因是中性分子中碳原子的引入，可能诱导了阴离子与中性分子的旋转行为。例如，在Mg(BH4)2∙nCH3NH2体系中，n = 1 与 n = 6的样品表现出多相共存行为，对应较低的Ea值，符合y2线趋势；而n = 3的单相样品对应较高Ea，更接近y1线。这提示我们：含碳中性分子的SSE更容易形成多相结构，而这类结构复杂性有助于降低迁移势垒Ea，符合y2线规律。
图 3. 氢化物 SSE 的迁移 Ea 与理论描述符之间的相关性分析。(A)对所考虑的八种性质与Ea进行的特征描述，包括每个材料的单胞体积(V)、鲍林电负性(X)、体系原子序数(Z)、阳离子结合能(bm)、阴离子距离(d)、中性分子数(n)、原子半径(ratom)和离子半径 (rion)。(B)具有中性分子的二价SSE的多元线性回归模型。
04｜高性能二价氢化物 SSE 的预测和验证
基于前文构建的两条含中性分子的二价SSE线性关联趋势线（见图3B），本研究进一步建立了两套多元线性回归模型，以预测更广泛的阳离子、阴离子与中性分子组合行为，最终得到558种潜在的氢化物SSE材料（图4A）。在这两类模型中，所有预测对象均包含以下任意一种二价阳离子：Ca2+、Mg2+或 Zn2+，所含中性分子的数目从0到6不等。对于遵循y1线性关系的体系，其阴离子为普通硼烷类（boranes），对应270个候选材料；对于遵循y2线性关系的体系，其阴离子为硼烷-碳中性分子复合体或碳硼烷（carboranes），分别对应108和180个候选材料。在上述所有预测体系中，活化能最低的材料为：M(BH4)2·6(CH3)2CHNH2（简称MBCCN，M=Ca、Mg或Zn），其在y₁线下的预测Ea值分别为：CaBCCN：0.68 eV；MgBCCN：0.57 eV；ZnBCCN：0.51 eV。考虑到材料存在相变的可能性，若以y2线为参照，其Ea值更低，分别下降至0.35、0.32和0.31 eV，更具应用前景。更令人振奋的是，该系列中Mg(BH4)2·1.5(CH3)2CHNH2已被成功合成，实测Ea为1.22 eV，与预测模型（y1线）高度吻合（Phys Chem Chem Phys 2022, 24, 18185-18197.）。
考虑到这些预测材料缺乏已知结构信息，我们引入了基于遗传算法（GA）的晶体结构预测方法，以实现对潜在稳定结构的全局优化搜索，不依赖实验数据即可建立可靠结构模型。
这一策略对于含中性分子的氢化物SSE尤为重要——由于其结构高度复杂、实验解析困难，传统表征手段难以捕捉其完整信息。首先，我们使用USPEX程序对Mg(BH4)2·nNH3体系（n = 0, 1, 2, 3, 6）进行了结构预测，结果表明所有结构均与已知实验数据高度一致。在这些结构中，阳离子一般与4个BH4形成四面体配位，而引入中性分子后将部分BH4取代，并与阳离子重新构建稳定配位环境。在成功预测上述系列结构的基础上，我们将GA进一步应用于前述预测中活化能最低的两个新材料（图4A）。图4B展示了MBCCN体系在GA代际进化过程中的能量变化情况，约在300代样本后即可找到能量最低结构。图4C–D与显示了MgBCCN与ZnBCCN的晶体结构，其中阳离子分别与两个BH4和两个中性分子配位，构成稳定晶格。其形成能分别为：CaBCCN：-0.006 eV/atom；MgBCCN：-0.012 eV/atom；ZnBCCN：-0.12 eV/atom。上述值表明这些材料在热力学上高度稳定，也验证了GA预测方法的可靠性。
为进一步检验图4A中预测Ea的准确性，我们对MgBCCN和ZnBCCN进行了MetaD模拟，结果显示，这两种体系中阳离子迁移路径均涉及与晶格中游离的中性分子交替配位，形成稳定的迁移通道。对应的模拟活化能为：MgBCCN：0.62 eV（图4E）；ZnBCCN：0.67 eV（图4F）。与图4A中预测结果相比，MgBCCN的误差仅为0.05 eV，显示出预测模型的高度准确性与实用价值。这一基准验证分析清晰表明，所提出的智能工作流在设计与预测高性能二价氢化物SSE方面具有极强的前瞻性和创新性。
图4. 基于智能工作流的氢化物SSE预测。(A)二价氢化物SSE的多重线性相关预测。(B)生成过程中获得的相对能量。(C)Mg(BH4)2·6(CH3)2CHNH2和(D)Zn(BH4)2·6(CH3)2CHNH2的晶体结构和局部配位环境环境。(E)Mg(BH4)2·6(CH3)2CHNH2中镁离子迁移和(F)Zn(BH4)2·6(CH3)2CHNH2中锌离子迁移的势能面。
研究意义：“AI+电化学”智能体的真实落地样板
本研究不仅是材料发现的一次工具革新，更是将AI赋能材料科学的实际落地案例：让“能不能迁移”不再靠运气，而是靠机制、靠建模、靠数据，让材料设计从经验走向理性，从试错走向智能！
论文信息：
Qian Wang, Fangling Yang, Yuhang Wang, Di Zhang, Ryuhei Sato, Linda Zhang, Eric J. Cheng, Yigang Yan, Yungui Chen, Kazuaki Kisu, Shin-ichi Orimo, Hao Li*, “Unraveling the Complexity of Divalent Hydride Electrolytes in Solid‐State Batteries via a Data‐Driven Framework with Large Language Model.” Angewandte Chemie International Edition, 2025, e202506573.
DOI：10.1002/anie.202506573
=====================================================
关于 DDSE
DDSE（The Dynamic Database of Solid-State Electrolyte）由日本东北大学李昊教授团队主导研发，致力于建立全球领先的固态电池材料数据平台，支持实验与计算模拟的深度融合，助力下一代能源存储技术的创新发展。数据库地址：https://www.ddse-database.org/。#DDSE AI 智能体#