杨孟昊研究员：人工智能赋能能源材料研究——从经典机器学习到大模型的技术演进与应用。 在全球能源体系向可再生能源转型的背景下，高性能储能与转化技术成为关键支撑，而能源材料的研发效率更是其中的核心突破口。传统实验试错与理论计算的研究范式，早已难以满足当下能源材料快速创新的需求，人工智能技术的介入，为这一领域带来了颠覆性的变革。近日，同济大学材料科学与工程学院杨孟昊研究团队在ENGINEERING Energy发表综述文章，系统梳理了人工智能从经典机器学习到大模型在能源材料研究中的发展与应用，为高性能能源材料的创新研发指明了方向。
文章导读
本文精准追踪了人工智能从经典机器学习到先进大模型的演化脉络，聚焦电池与电催化材料两大核心方向，深入分析了AI技术在该领域的多元应用场景。文章着重凸显了生成式模型在材料逆设计与合成中的核心作用，破解了传统材料设计 从结构到性能 的单向难题；同时清晰勾勒出能源材料下一代智能化发展的未来方向，为AI与能源材料的深度融合提供了全面的思路参考。从经典机器学习的小数据场景应用，到图神经网络、Transformer等先进表征方法的精准预测，再到生成式模型与大语言模型的跨模态创新，这篇文章全方位展现了AI技术赋能能源材料研究的完整版图。
图1.人工智能赋能能源材料研究的核心方法与典型模型
文章概要
论文以人工智能技术的发展为主线，围绕电池材料（辅以电催化材料）展开全面综述，系统阐述了AI技术在能源材料研发中的应用逻辑、研究进展与现存挑战，搭建起从基础方法到前沿应用的完整研究框架。
在经典机器学习阶段，监督学习与无监督学习为能源材料研究奠定了基础。支持向量机、随机森林等监督学习方法，能快速建立电池电解质组分与离子电导率、电催化材料活性位点与过电位的定量关联，适配能源材料研究中普遍存在的 小数据 难题；k-means聚类、多尺度拓扑学习等无监督学习技术，则在材料物性关系探索、锂超离子导体筛选等方面发挥重要作用，通过挖掘数据内在规律为候选材料筛选提供依据，经典机器学习的可解释性与实验流程的高兼容性，使其成为早期AI赋能能源材料研究的重要工具。
图2.支持向量机通过最大化类别间分离间隔实现分类
图3.多尺度拓扑学习方法筛选锂超离子导体的工作流程
先进表征方法的出现，实现了能源材料性能的精准预测与结构高效设计。图神经网络（GNNs）将晶体材料转化为原子为节点、化学键为边的图结构，通过消息传递机制捕捉材料拓扑关系，在形成能、电池电压、离子迁移势垒等关键性质预测中精度显著，如原子线图神经网络（ALIGNN）对形成能预测的平均绝对误差低至 0.022eV/atom，较经典模型实现大幅提升；Transformer 模型则凭借自注意力机制处理序列/网格型材料数据，能捕捉长程依赖关系，polyBERT、CrystaLLM 等模型分别在聚合物性质预测、晶体结构生成中展现出高效能力，为材料结构设计提供了新路径。
图4.晶体图卷积神经网络原理示意图
图5.基于polyBERT模型的高分子信息学研究
判别式任务与生成式任务构成了AI赋能能源材料研究的核心范式。判别式任务通过建立材料结构描述符与目标标签的定量映射，实现性能预测与分类两大核心功能，如通过符号回归方法筛选水系锌离子电池电解质添加剂，将电池库仑效率提升至99.3%；基于VGG16的二分类模型能以97.1%的精度识别钙钛矿薄膜缺陷，效率较人工筛选提升120倍。生成式任务则推动材料研发从 性能预测 向 逆设计 转变，扩散模型、流匹配框架等工具实现了从 期望性能 到 材料结构 的直接映射，MatterGen、MatterGPT等生成式模型可设计出兼具新颖性与热力学稳定性的储能材料，同时生成式模型辅助的高通量筛选大幅提升了镁金属电池电解液溶剂、电池正极材料等的研发效率，部分场景下筛选效率提升近50倍。
图6.退役电池分选与回收的联邦机器学习框架
图7.使用MatterGen进行无机材料设计
领域集成式AI系统与大语言模型的发展，进一步突破了传统AI的局限性。研究人员将物理定律、化学知识融入AI架构，开发出融合图神经网络与全局优化算法的晶体结构预测框架、面向金属间化合物的表面能预测模型SurFF等，实现了从数据库筛选到全新材料设计的跨越；大语言模型则打破了模态壁垒，BatteryBERT等领域专用模型能从海量非结构化文献中提取材料关键参数，多模态大模型更是实现了文本、图像、原子结构等跨模态信息的融合，如CRESt平台可自主完成电催化剂的设计、合成、表征与性能优化，三个月内完成900余种催化剂成分探索与3500次电化学测试。此外，论文还系统梳理了Materials Project、BatteryDB、DDSE等能源材料领域的核心数据库，指出高质量领域数据库是AI模型训练与验证的重要基石。
图8.GN-OA方法的流程图
图9.用于预测表面暴露的SurFF模型的整体框架
图10.CRESt指导的电催化剂发现工作流程
论文同时指出，当前AI在能源材料研究中的应用仍面临诸多挑战：AI模型在材料体系中的可解释性普遍有限，生成式AI、多模态大模型等新兴技术的潜力尚未充分挖掘，预训练大语言模型对材料科学知识的深度理解能力不足，这些问题成为制约AI与能源材料深度融合的关键因素。
总结展望
这篇综述全面梳理了人工智能从经典机器学习到大模型在电池与电催化材料研究中的演化与应用，清晰展现了AI技术推动能源材料研究范式从 实验/理论驱动 向 数据/智能驱动 转变的完整过程。经典机器学习为小数据场景提供了可解释的分析方法，图神经网络、Transformer等先进表征方法实现了材料性质的精准预测与结构高效设计，生成式模型推动材料研发迈入逆设计时代，大语言模型则实现了跨模态信息的融合与知识的高效提取，而高质量的领域数据库为所有AI技术的落地提供了核心数据支撑。
面向未来，AI与能源材料研究的深度融合、产业化应用成为核心发展方向，两大重点研究领域亟待突破。其一，需开发更通用的材料表征方法，突破现有方法在适配多样化材料体系、完成复杂生成式设计任务中的固有局限，提升AI模型对不同类型能源材料的适配性与设计能力；其二，要依托大语言模型构建多模态分析框架，高效处理显微结构、光谱数据等复杂多维的表征与性能数据，实现从材料设计到实验验证的全流程智能化。
研究团队指出，未来的核心目标是打造覆盖能源材料研发全流程的通用AI工具包，推动AI技术在能源材料领域的规模化、产业化应用，加速高性能能源材料的创新研发，为全球可再生能源转型提供更坚实的材料支撑，助力实现能源体系的绿色、高效发展。（来源：EngineeringJournals微信公众号）
相关论文信息：
https://journal.hep.com.cn/fie/EN/10.1007/s11708-026-1073-1
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
来源：《工程·能源》
