以计算筛选取代经验试错:电池材料的新方法
本文介绍了计算数据库、机器学习和生成式模型如何缩小有前景配方的筛选范围,以及自动化实验室如何加快验证;但最终结果仍取决于合成与测试,预测值可能与实际电导率不符。

为什么经验性试错受限于规模
传统的材料搜索按顺序进行:合成材料、测量性能、调整参数。当可能的材料多达数百万种时,这种循环很难奏效。

- 电池制造商需要能量储备更大、充电更快、寿命更长且成本更低的材料。
- 材料性能取决于元素组合和晶体结构。
- 按顺序进行合成和测量,难以扩展到数百万种成分。
**实用标准:**应在计算筛选之后开展实验室试错,而不是用它取代计算筛选。
数据和模型作为第一道筛选
机器学习模型利用计算结果和已有数据,评估未经测量的材料性能,并筛除表现不佳的选项。在开放科学文献中,有实验数据的化合物不到 1%。
| 资源或模型 | 作用 | 事实 |
|---|---|---|
| Materials Project | 材料数据库和工具 | 该项目于 2011 年在 Berkeley Lab 启动。项目拥有超过 650,000 名注册用户。同行评审研究引用其数据和工具的次数超过 32,000 次。数据库包含超过 200,000 种材料和超过 577,000 种分子。使用该数据库无需编程技能。 |
| GNoME | 预测晶体稳定性 | Google DeepMind 使用 Materials Project 的数据训练了该模型。新的化合物被添加到数据库中。 |
| MatterGen | 无机材料生成模型 | Microsoft 创建了该模型。它使用同一资源。该模型提出新的结构以供验证。 |
**实用标准:**如果模型能缩小候选名单,并基于计算数据和实验数据,那么它就有用。但它不能取代对材料性能的最终验证。
漏斗:从数百万种成分到候选名单
筛选漏斗从一个庞大的清单开始,最终决定是否进行合成。Microsoft 和 Pacific Northwest National Laboratory 使用 AI 模型搜索无机材料。这些模型预测了稳定性和离子电导率。
| 阶段 | 过程 | 结果 |
|---|---|---|
| 初步搜索 | AI 模型研究可能的无机材料。 | 超过 3,200 万种候选材料。 |
| 稳定性筛选 | 模型筛选出稳定的候选材料。 | 超过 500,000 种候选材料。 |
| 缩小名单 | 筛选进一步缩减名单。 | 150 种候选材料,随后选出 18 种供专家评估。 |
| 物理验证 | 超级计算机对领先候选材料进行更详细的计算。 | 性能评估更加精确。 |
| 合成决策 | 科学家为实验室挑选材料。 | 用于制备的候选名单。 |
计算耗时 80 小时。团队估计,采用旧方法需要 20 年。
**实用标准:**如果计算筛选漏斗中的每一道筛选都比前一道更严格,并且由科学家决定是否进行合成,那么这种方法就有用。
从计算走向实验室
计算筛选得到的名单,只有在材料合成并经过测试后,才能转化为实际材料。Pacific Northwest National Laboratory 的研究人员完成了从计算候选材料到可工作的电池的整个过程。
- 制备了一种固态电解质,其中部分锂被钠取代。
- 制得的材料含锂量低于现有锂离子电池。
- 组装了一种固态电池,并在室温和较高温度下进行了测试。
- 测得的电导率低于最初预期。
- 研究人员指出,在大规模生产前必须进行全面评估。
- 从计算机筛选名单到制成电池,用时数周。
Berkeley Lab 设有 A-Lab:由 AI 控制的机器人负责制备材料。该实验室将建模流程与自动化实验相结合。在欧洲,Battery 2030 plus 倡议也在致力于类似目标。
**实用标准:**计算筛选能缩短通往实验的路径,但不能保证材料具备所宣称的性能。电池是否可用,要由测试来决定。
计算筛选的成熟度标准
计算筛选并非依赖单一模型,而是一系列连续的决策。
| 标准 | 说明 |
|---|---|
| 数据 | 模型基于计算结果和以往的测量数据。 |
| 目标性能 | 模型评估稳定性和离子电导率。 |
| 分级验证 | 领先候选材料需要经过更详细的物理计算。 |
| 专家作用 | 科学家挑选材料进行实验室合成。 |
| 实验 | 在制成的材料上验证其性能。 |
**实用标准:**如果这种方法能从庞大的名单中筛选出可验证的候选材料,并保留实验验证环节,那么它就是成熟的。否则,就只是计算结果。
常问问题
相关材料
所有材料
用于头颈部肿瘤质子治疗计划的循证闭环复合多智能体AI系统
该研究描述了经过训练的 PPO 策略与 LLM 智能体的结合:前者生成多个计划选项,后者通过对话进行 уточ уточ(临床指标与约束条件核验);在 21 名患者的数据上,经过微调的 Qwen3-14B 更能遵循指令,并有助于使权衡偏向优先目标。实践结论是,自动化 DRL 规划可以通过可控的对话加以补充,同时保留对相互竞争约束的掌控。
20 十一月 2026
随着任务池规模扩大,智能体基准测试的演进:证据筛选与顺序竞赛的作用
这项研究解释了为什么增加任务数量可能会阻碍智能体基准的演进:问题在于证据选择不当,而非数据量本身。所提出的 Successive Scale Racing 通过轮流挑选多样化的任务组合,并以较低成本比较候选方案;在三个基准测试中,随着任务池从 40 个扩大到 200 个,成功运行的比例有所提高,而基线方法则表现退化,验证运行次数也减少了约 60%。
19 十一月 2026
模型之间的相互说服:宣称的立场与对话中的行为并不一致
在关于气候变化原因的受控辩论中,四组 GPT-6 Luna 与 Gemini 2.5 Flash Lite 展现出不同的立场趋同或分化动态。直接要求说服对方并未产生稳定效果,而宣称的立场与实际的辩论方式并非一回事。
19 十一月 2026