突破壁垒！材科源图登国际期刊，AI+数据解锁固态电解质研发“加速器”

2025-12-03 09:19

近日，苏州材科源图在知名新兴AI+期刊《AI for Materials》发表重要研究评论，聚焦Wang et. al.“数据-大语言模型（LLM）-物理模型-实验”一体化研究范式——该范式已系统解决固态电解质离子迁移势垒计算长期存在的分歧问题，为固态电池研发提供可靠方法支撑。这一前沿思路与材科源图的核心研发路径高度一致，材科源图以数据和物理模型为驱动，结合大语言模型以及高通量实验，实现闭环迭代的新材料高效的研发范式。

 


01 以实验数据衡量方法，重塑计算可靠性


不同方法计算的离子迁移过渡态能垒的结果表明，CI-NEB以及AIMD计算结果偏离实验结果，而Meta-Dynamics通过探索自由能景观，更准确捕获真实迁移路径，与实验一致性更高。传统计算方法的评估，离不开实验数据的验证，否则可能引入系统性的偏差。材科源图构建了目前已知最大最全的百万级真实材料数据库，为模型预测以及计算方法的评估提供强大的基础。

 


02 “数据-大语言模型-物理-实验验证”构建高效研发新范式


“数据库+大语言模型（LLM）+物理模型+实验验证”的闭环工作流程是解决当前材料领域问题的重要范式。首先，构建精准的材料体系数据库，整合海量已发表文献专利与内部数据；其次，利用LLM作为前端推理与证据审计工具，针对研究问题提出分析建议，包括材料配方、方法建议、物理机制等；再通过物理模型或者理论计算进行验证；最终，通过实验验证闭环。将候选材料快速筛选至短名单，大幅降低后续高成本模拟的工作量，使研发效率提升显著。

 


03 直击行业痛点，赋能能源产业


固态电池相对于锂电池，能量密度更高、安全性更高，有强大的商业价值，也是材科源图的战略布局领域。固态电解质的离子传导性能是影响电池能量密度发挥效率与安全性能的关键因素。当前行业离子电导率面临计算方法不一、结果难以互认、研发周期长等共性挑战。材科源图基于大数据和物理模型驱动的智能研发平台，为硫化物、氧化物、氢化物等多体系电解质研发提供了标准化研究路径，将有力加速固态电池从实验室走向产业化。


04 迈向数据驱动的材料研发新时代


材科源图的智能材料研发范式具备高度可扩展性，不仅适用于固态电解质，也为材料科学其他存在长期争议的研究领域提供了可复制的解决方案。随着固态电解质精选数据库的持续丰富与大语言模型（LLM）工具的迭代升级，该工作流程将进一步推广至多价离子导体、催化材料、新型储能体系等多个前沿方向。这项成果不仅为攻克固态电解质领域的关键技术瓶颈提供了方法和路径，也充分展现了“AI+数据”双轮驱动在革新基础研发模式方面的巨大潜力。未来，材科源图将持续深化这一范式，推动材料研发进入“精准设计、高效验证”的新阶段，为全球新能源产业的高质量发展贡献创新力量。

上一篇：

AI+材料新纪元！材科源图与《AI Agent》深度合作，共筑全球智能材料创新生态

下一篇：

材科源图亮相第九届材料基因工程国际论坛，洞见产业未来新趋势

返回列表
中企跨境-全域组件 1.98 制作前进入CSS配置样式

联系电话：

邮箱：

联系电话：

邮箱：

在线客服添加返回顶部

页面顺滑的滚动

启用全局默认滚动动画 (向上滚动)

屏蔽页面上图片的alt/title提示

右侧在线客服样式 1,2,3 3

图片alt标题设置： 材科源图

表单验证提示文本： 内容不能为空！

循环体没有内容时： 抱歉，未找到匹配项。

CSS / JS 文件放置地