固态离子材料具有良好的离子传导能力，与液态电解质相比具有更高的安全性和更广泛的工作温度范围，因此在固态电池、燃料电池和传感器等领域有广泛的应用前景。材料科学的基础理论指出，材料的性能取决于结构。找到一种能够客观、定量地将材料结构表征与性能联系起来并理解其中机理的方法一直是材料科学研究领域所追求的目标。目前，已有的机器学习用于固态离子材料性能预测方法都是基于理想的完美单晶模型。然而，由于真实材料中存在各种结构缺陷，导致实验测量的性能大多数情况下偏离理论预测。基于从真实材料获取的、复杂结构的表征数据的机器学习分析研究方法还有待发展。
上海科技大学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刘巍课题组、于奕课题组合作，以氧化物锂离子导体锂镧锆钽氧作为研究对象，发展了一种可解释的算法对显微结构和离子电导率进行直接关联。相关研究成果近期发表在国际学术期刊Nano Letters上。
图1 利用机器学习关联显微结构和性能
研究人员通过改变制备条件得到不同离子电导率的样品以及相应的显微形貌图，并将离子电导率划分为高、中、低三个等级，采用基于深度网络特征的词袋模型，总结了不同离子电导率下的典型显微图像，并将显微图像表示为有意义的向量。然后利用这些向量训练决策树模型，通过决策树的透明决策过程来解释显微结构和性能之间的关系，分类预测准确率超过90%。并且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。此外，该模型对其它氧化物锂离子导体锂镧钛氧同样具有高的分类准确率。
图2 利用决策树模型对显微结构和性能关联
这一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。
上海科技大学信息学院2023届本科生林晓宇、物质学院博士生张月为该论文的共同第一作者，上海科技大学信息学院何旭明教授、物质学院刘巍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
沪公网安备 31011502006855号
