近年来，人工智能（AI）正日益融入科学研究，助力加速发现过程并提升研究效率。其中，大语言模型（LLM）作为一种生成式人工智能模型，具备突破传统语言模型局限、承担高强度语言任务的能力。在文献挖掘、数据标准化与数据库构建等环节中引入LLM，可实现科研流程的自动化、显著提高效率。同时，机器学习在处理大规模复杂数据、揭示结构-性能关系以及指导新材料开发方面展现出独特优势。因此，将人工智能与能源存储研究相融合，为材料创新开辟了新路径。金属有机框架（MOF）作为新兴的固态电解质，凭借其高比表面积和多孔结构，在锂金属电池中展现出广阔前景。然而，性能优异的MOF材料设计仍高度依赖实验探索，缺乏系统化指导，难以支撑大规模试错筛选。
天津大学化工学院、国家储能技术产教融合创新平台、智能与计算学部、中国科学院化学研究所研究团队通过LLM构建了MOF固态电解质数据库及候选材料数据库，基于数据库使用表示聚类挖掘潜在固态电解质材料。通过交互式LLM框架进行文本挖掘，实现数据的高效自动化提取。进一步基于数据库，通过设计表示聚类框架，利用聚类分析实现关键特征聚类与潜力材料识别。该工作提出了LLM与机器学习相融合的固态电解质探索新范式，为加速功能材料发现提供了有效策略。
在该研究中，AI辅助挖掘新型MOF固态电解质数据库共分为三个主要步骤。首先利用基于语言模型的交互迭代框架来挖掘相关信息，构建MOF固态电解质数据集，并使用表示聚类来从候选数据集中识别潜在材料，最后对其进行实验验证。所提出的方法提供了一个简洁且高效的AI框架，为挖掘材料提供了新的研究范式。
图1. AI辅助挖掘新型MOF固态电解质工作框架
开发了一种交互式迭代框架以提高LLM文本挖掘的准确性。该框架由四个部分协作组成：选择器、提取器、验证器及检索器，实现高效的数据集构建与数据检索。通过计算精确率、召回率和F1分数三个评价指标，证明了交互式迭代框架的设计以及LLM模型的选择共同提升了文本挖掘效率和准确性。同时对数据进行分析说明结构信息是影响MOF固态电解质电导率的关键因素。
图2. 基于LLM的交互式迭代文本挖掘框架
图3. 交互式迭代框架与MOF固态电解质数据集的评估
将权威数据库CCDC和CoRE MOF中关键信息进行整合，构建了一个包含11,393个候选样本的MOF候选材料数据集。
图4. MOF候选材料数据集的构建及数据分析
通过设计一个表示聚类框架，在MOF固态电解质数据集样本的指导下，从MOF候选材料数据集中挖掘具有应用潜力的MOF（NOTT-400）作为固态电解质。
图5. 基于表示聚类挖掘MOF固态电解质
通过实验验证了NOTT-400作为固态电解质的可行，NOTT-400的锂离子电导率为3.1×10−4 S cm−1，具有较宽的电化学稳定窗口4.79V。因此，实验结果证实了固态电解质的可行性，从而验证了表示聚类框架在挖掘MOF固态电解质材料方面的有效性。同时，通过更改聚类方法和聚类参数，可以筛选出更多的候选材料，证明了研究框架具有普适性和可调性。最后使用LLM进行总结，得到了具有指导性和验证性的材料设计准则。
图6. MOF SSE的实验验证及设计准则
这一成果近期发表在Journal of the American Chemical Society 上，文章的第一作者是天津大学硕士生张静朗和博士生李佳欣。
原文（扫描或长按二维码，识别后直达原文页面）：
Mining Solid-State Electrolytes from Metal–Organic Framework Databases through Large Language Models and Representation Clustering
Jinglang Zhang, Jiaxin Li, Guanhua Zhao, Qilong Wang, Yu-Guo Guo and Chunpeng Yang
J. Am. Chem. Soc. 2025, 147, 40496–40506, DOI: 10.1021/jacs.5c12212
