锂离子电池中的传统有机电解液由于其易燃易挥发的缺点，容易引发安全问题。因此，开发设计具有较高室温锂离子电导率的固态电解质对于提升锂离子电池安全性具有重要意义。然而，在成千上万种材料中寻找合适的固态电解质是非常困难的。传统试错法仅在数种候选材料中研究改进，限制了固态电解质的发展。在更广阔的化学空间中寻找新型固态电解质变得十分重要。

机器学习可以用来挖掘复杂关系背后的统计规律，因此有望用来高效搜寻所需材料。其中监督学习需要足够的训练数据来训练模型，然而，已知固态电解质数据十分有限，并且由于实验误差，容易引入带有偏差的数据，这限制了监督学习在寻找固态电解质中的应用。为了解决这个问题，来自北美丰田研究所和马里兰大学的研究人员采用非监督学习的方法，将无机晶体结构数据(ICSD)中的含锂材料进行筛选和分类。该工作利用修饰后的XRD(mXRD)作为特征，利用聚类方法将具有高/低锂离子电导率的含锂材料成功分组。接着进一步用第一性原理深入研究处于高锂离子电导率组中的材料，最终提出Li₈N₂Se、Li₆KBiO₆和Li₅P₂N₅等为具有超高锂离子电导率的新型固态电解质(Nat. Commun., 2019, 10, 5260)。此工作为非监督学习在新材料开发领域做出示范，有望推动新型固态电解质的发展。

南开大学周震教授对此工作进行了亮点报导，文章以“Unsupervised machine learning accelerates solid electrolyte discovery”为题，发表于Green Energy & Environment期刊，详见 DOI: 10.1016/j.gee.2019.12.003。

通讯作者简介