科研进展|上科大物质学院与信息学院联合研究团队利用机器学习理解锂离子导体显微结构与性能的关系

固态离子材料有良好的离子传导能力，相较液态电解质具更高的安全性和更广泛的工作温度范围，在固态电池、燃料电池和传感器等领域有着广泛应用前景。材料的性能取决于结构，找到一种能客观、定量地联系材料结构与性能并理解相应机理的方法一直是材料科学家追求的目标。目前，已有用于固态离子材料性能预测的机器学习方法都是基于理想的完美单晶模型。真实材料中存在的各种结构缺陷使得实验测量的性能在大多数情况下都偏离理论预测，基于从真实材料获取的、涵盖复杂结构表征数据的机器学习研究方法还有待发展。

上海科技大学物质科学与技术学院刘巍课题组、信息科学与技术学院何旭明课题组和物质科学与技术学院于奕课题组开展交叉合作，以氧化物锂离子导体锂镧锆钽氧作为研究对象，发展了一种对显微结构和离子电导率进行直接关联的可解释的算法。相关研究成果近期发表在国际学术期刊Nano Letters上。

研究人员通过改变制备条件得到不同离子电导率的样品及相应的显微形貌图，将离子电导率划分为高、中、低三个等级，并利用决策树模型将显微结构与离子电导率关联，分类预测准确率超过90%。他们还从显微结构中提取物理参数（颗粒、孔隙），定量分析了参数对离子电导率的影响。研究表明该模型对其它氧化物锂离子导体（锂镧钛氧）也具有高的分类准确率。

图1 利用决策树模型对显微结构和性能关联

本工作成功实现了对氧化物锂离子导体显微结构与性能关系的理解，也为其他领域对功能材料物理性能和结构的关联提供了新的方法。

上海科技大学物质学院2022级博士研究生张月、信息学院2023届本科毕业生林晓宇为该论文的共同第一作者。上海科技大学物质学院刘巍教授、信息学院何旭明教授和物质学院于奕教授为共同通讯作者，上海科技大学为唯一完成单位。上海科技大学物质学院电镜中心为材料的表征提供了支持。

论文名称：

Machine Learning on Microstructure−Property Relationship of Lithium-Ion Conducting Oxide Solid Electrolytes

论文链接：

https://doi.org/10.1021/acs.nanolett.4c00902