研究背景

在全球能源转型与可持续发展需求激增的背景下，固态电池因其高能量密度、高安全性和环境适应性，被视为下一代储能技术的核心。然而，其研发面临两大关键瓶颈：一方面，复杂化学环境导致传统试错法在电极与电解质材料筛选中效率低下，难以快速锁定高性能组合；另一方面，电池管理系统(BMS)中荷电状态(SOC)、健康状态(SOH)、剩余使用寿命(RUL)等关键参数的精准预测依赖大量数据和复杂模型，传统物理建模方法难以满足实时性与非线性关联分析需求。如何借助人工智能(AI)技术突破材料筛选与性能评估的效率和精度瓶颈，成为推动固态电池产业化的核心挑战。

Artificial Intelligence Empowers Solid-State Batteries for Material Screening and Performance Evaluation

Sheng Wang, Jincheng Liu, Xiaopan Song, Huajian Xu, Yang Gu, Junyu Fan, Bin Sun & Linwei Yu

Nano-Micro Letters (2025)17: 287

https://doi.org/10.1007/s40820-025-01797-y

本文亮点

1. 系统综述了机器学习在固态电池的电极与电解质材料筛选中的突破性应用。

2. 回顾了全卷积网络(FCN)、注意力增强 LSTM 等机器学习算法在电池管理系统关键性能指标预测中的卓越表现。

3. 讨论了人工智能在固态电池中应用中数据质量不均、模型可解释性不足等面临的挑战以及未来发展方向。

内容简介

苏州大学王胜老师联合南京大学余林蔚教授团队对人工智能在固态电池中的应用进行了综述。系统回顾了如何使用机器学习(ML)算法来挖掘广泛的材料数据库，并加速发现适用于固态电池的高性能阴极、阳极和电解质材料。此外，还将讨论使用机器学习技术准确估计和预测固态电池管理系统中的关键性能指标，其中包括SOC、SOH、RUL和电池容量。最后，还讨论了当前研究中遇到的主要挑战，如数据质量问题和代码可移植性差，并提出可能的解决方案和发展路径。这些将为今后的研究和技术更新提供明确的指导。

图文导读

I 阴极材料筛选

在固态电池研发中，阴极材料的性能(如电压、容量、稳定性)对电池整体能量密度和循环寿命起决定性作用。传统阴极材料筛选依赖试错法，需耗费大量实验资源且效率低下，而人工智能(AI)通过机器学习算法为阴极材料开发提供了全新路径。AI 可基于材料数据库(如Materials Project)，利用晶体图卷积神经网络(CGCNN)、深度神经网络(DNN)等模型，对海量无机化合物的晶体结构、电子特性等数据进行挖掘，快速建立 “结构-性能”关联模型，自动识别高潜力阴极候选材料，显著减少实验筛选范围。这种 “数据驱动 + 理论模拟” 的协同模式，突破了传统研发的效率瓶颈，为固态电池阴极材料的定向优化与创新提供了高效工具。

图1. (a) 电池的示意图，显示了正在研究的主要材料成分(电极和电解质)和关键材料特性；(b) 尖晶石LiX₂O₄和层状LiXO₂晶体结构图及PLS模型和从头计算预测的阴极体积变化；(c) 筛选阴极材料的工作流程图和一些结果示例；(d) 用于训练人工神经网络的分子结构。

II 阳极材料筛选

在固态电池中，非晶硅锂合金因高理论容量(如Li₄.₄Si)成为高能量密度阳极的研究重点，但其存在充放电时体积膨胀显著、导电性差等问题，导致循环稳定性不足。石墨等碳基阳极虽稳定性好、成本低，但理论容量有限，硬碳的复杂结构则制约了对其离子传输机制的理解和大规模应用。锂金属阳极尽管具有极高理论容量和低电位，却易生成锂枝晶，引发短路风险与容量衰减。传统阳极研发依赖试错法，难以高效平衡容量、体积变化、导电性等多维度性能。

通过遗传算法与人工神经网络结合的机器学习势函数，模拟非晶硅锂合金的原子级结构与锂扩散路径，解析硅团簇尺寸和聚集浓度对扩散效率的影响，优化高倍率阳极设计；利用 “植入式神经网络” 自适应捕捉合金组分特征，预测扩散系数以加速材料发现；针对碳基阳极，结合密度泛函理论(DFT)与机器学习，研究碱金属在硬碳等无序结构中的嵌入行为，实现原子级机制解析。这些 AI 驱动方法突破了传统研发的效率瓶颈，为跨尺度优化阳极材料性能提供了新范式。

图2. (a) 利用神经网络势辅助遗传算法(GA)构建的非晶态LixSi相图示意图；(b) 在含有12000个原子的硅纳米颗粒分解过程中，硅原子解离成簇和链；(c) 类石墨结构模型库；(d) 用于获得电压填充关系的协议；(e)结果数据示例。

III 固态电解质发现以及复合电解质设计

在固态电池体系里，固态电解质承担着传导离子的关键职责，其性能优劣对电池的能量密度、循环寿命、安全性能等有着决定性影响 。常见的固态电解质主要有无机固态电解质(如氧化物、硫化物)、聚合物电解质以及复合电解质 。无机固态电解质中的氧化物类，像钠超离子导体型(NASICON)、锂离子超导型(LISICON)、钙钛矿型、石榴石型等，具备良好的化学稳定性与机械性能，但部分存在离子电导率不够高、需高温烧结等问题；硫化物电解质虽室温下离子电导率高，可对水分敏感、易与电极反应，且制造成本较高。聚合物电解质则以柔韧性好、易加工为显著优势，不过室温离子电导率偏低，限制了其单独使用 。复合电解质综合了无机和有机电解质的长处，是目前的研究热点之一 。

借助无监督学习等人工智能手段，对大量材料数据进行挖掘，成功筛选出16种新型锂快离子导体，极大拓宽了固态电解质材料的选择范围。在支持向量机(SVM)等模型的助力下，对LISICON电解质成分展开优化，显著提升了其离子电导率。而在复合电解质设计上，运用贝叶斯优化算法探索聚合物电解质分子空间，促使导电性得以提升。通过机器学习辅助评估电解质薄膜均匀性，有效优化了电池的循环性能。这些人工智能驱动的策略，为固态电解质的研发与性能提升提供了新的有效途径。

图3. (a) 无监督学习方法筛选固体锂离子导体示意图；(b) 建立离子电导率模型及结构筛选的方法流程图；(c) 预测Li8−cAaBbO₄体系中72种组分在373 K下的离子电导率；(d) 基于机器学习的固体聚合物电解质性能预测及实验与预测电导率对比图；(e) 粗粒度分子动力学-贝叶斯优化(CGMD-BO)框架示意图；(f) 基于机器学习技术的SSE薄膜评价方法图。

IV 离子运输机制和界面工程

在固态电池中，离子运输机制受限于固态电解质内的离子高迁移能垒与晶界传输瓶颈，界面工程则面临电极-电解质间热力学失配、锂枝晶生长等挑战；机器学习通过构建原子级模拟模型、挖掘跨尺度结构-性能关系及优化界面工程策略，为固态电池的离子运输机制解析与界面稳定性提升提供了高效工具。

图4. (a) 通过聚类对立方LLZO进行400k模拟；(b) 根据皮尔逊积矩相关系数R，由变量交互效应构建的基于图论的网络；(c) LLZO中正确选择掺杂剂的总体示意图；(d) 全固态电池语义分割辅助微观结构分析策略。

V 固态电池性能预测

在固态电池中，SOC(荷电状态)、SOH(健康状态)、RUL(剩余寿命)和电池容量是评估性能与健康的核心指标。SOC反映电池剩余电量占比，SOH表征性能衰减程度，RUL指满足性能阈值的剩余使用时长，电池容量则是存储电能的最大能力。机器学习融合多维度数据，构建数据驱动预测模型，突破传统物理建模局限，显著提升固态电池性能预测的精度与效率。为固态电池关键性能指标的精准评估提供新路径，助力其智能管理与产业化应用。

图5. SOC评估(a) BPNN模型结构；(b) 不同隐层节点数下模型训练时间和测试集电压RMSE；(c) SOC在理想和不同误差条件下的估计结果；(d)-(e) FUDS循环0°C时SOC估算结果和SOC误差；(f)-(g) FUDS循环下基于PSO的SOC估计结果和SOC误差；(h) 多隐层BPNN的拓扑结构；(i) BPNN、LMBP、LMMBP和EK在NEDC下的SOC估计结果和误差。

图6. 固态电池SOC评估。(a) TDNN的模型结构；(b)-(c) SDT下SOC估计结果和SOC误差；(d) 三层小波神经网络的结构；(e)-(f) 使用DWTLMBPNN、EKF和DWTLMWNN的SOC估计和SOC估计误差直方图；(g) DBN模型结构；(h) DST试验对比结果；(i) FCN模型结构；(j)-(k) 0°C下US06下的SOC估计和各个模型的RMSE误差值比较。

图7. 固态电池SOH预测(a) CNN-GRU模型结构；(b) 预测电池SOH，电池的前100次循环用于训练，后36次循环用于测试；(c) WNN模型结构；(d) GA-WNN模型的训练效果；(e) 基于不同方法的SOH估算结果；(f) 基于深度学习的混合决策方法流程图；(g) 基于时间注意和MAE分析的估计结果。

图8. 固态电池RUL预测(a) Autoencoders模型结构；(b) 使用Autoencoder和DNN模型的电池RUL预测结果；(c) 训练量与损失函数的关系；(d) GCN模型结构；(e) RUL预测结果箱形图；(f) 基于LSTM多对一结构模型的RUL预测输入/输出格式；(g)-(h)与其他模型的RUL预测结果及MAPR评价指标比较。

图9. 固态电池容量估算(a)ELM模型结构；(b)实际容量和预测容量用散点图；(c)各比较模式误差雷达图；(d)BL模型结构；(e)BL-ELM模型结构；(f) 容量估计结果；(g) CNN-GRU模型结构；(h)-(i)电池容量预测结果图和残差图。

VI 总结

该综述聚焦AI赋能固态电池研发，揭示机器学习如何加速材料筛选与性能优化。文章指出，固态电池作为高能量密度储能器件，其复杂化学体系导致传统研发效率低下，而AI通过数据驱动模型突破瓶颈：在材料层面，CGCNN、遗传算法等筛选新型电极与固态电解质，例如解析非晶硅锂合金的锂扩散机制、优化聚合物复合电解质界面；在性能评估中，全卷积网络(FCN)、长短期记忆网络(LSTM)等实现SOC、SOH等关键参数的精准预测，误差率较传统方法显著降低。同时讨论了数据质量、模型通用性等挑战，展望生成式AI与强化学习在跨尺度设计中的应用前景，有望加速其在新能源汽车、储能电网等领域的商业化落地，推动 “双碳” 目标下的能源技术革新。

图10. 总结与展望。(a) ASSBs关键材料和技术开发时间表；(b) 阻碍固态电池发展的潜在科学挑战示意图；(c) 固态电池电极制造挑战；(d) 基于ISSO-ELM方法的SOC估计过程；(e) 固态电池的应用前景。

作者简介

余林蔚

本文通讯作者

南京大学 教授

▍主要研究领域

硅基纳米线三维生长和集成工艺，GAA-FET、柔性晶硅及显示逻辑器件，硅基微纳光电、传感及仿生机电系统应用。

▍主要研究成果

南京大学电子科学与工程学院教授/博士生导师。获国家杰出青年基金、江苏省“双创个人及团队”计划和江苏省杰出青年基金等人才项目资助。担任法国国家科学研究院终身职位研究员(CNRS-CR2)，英国物理协会IOP《Nanotechnology》编委，国际非晶/纳米晶薄膜半导体会议(ICANS)国际常驻顾问委员会委员。在硅基纳米线集成制备和器件应用等领域系列工作，以第一或通讯作者在Nature Communications、Physical Review Letters、Advanced Materials、Nano Letters、ACS Nano、Adv Funct Mater.、Advanced Sciences、Small、Nano Energy等国际一流学术期刊上发表论文120余篇。获得国际PCT发明授权专利3项和国内授权发明专利40余项。主持国家科技重大专项课题、国家自然科学基金“杰出青年基金”、“后摩尔时代重大研发计划”重点项目和多项面上研究项目，承担江苏省科技支撑计划专项，与华为终端、海思以及京东方等企业围绕相关科研成果启动多项重大“产学研”成果转化。2022年，以第1完成人获教育部高等学校科学研究优秀成果“自然科学”二等奖。

▍Email：yulinwei@nju.edu.cn

宋晓攀

本文通讯作者

南京大学 博士后

▍主要研究领域

硅纳米线精控生长及其在先进柔性传感、显示和微纳电池技术中的应用。

▍主要研究成果

南京大学电子科学与工程学院博士后，2023年在南京大学取得博士学位，导师为国家杰青余林蔚教授，毕业后留校从事博士后研究。主持江苏省卓越博士后基金(2024ZB427)、南京大学优秀博士创新博士研究生创新能力提升计划A项目(202201A004)等。作为子课题骨干参与国家科技重大专项课题量子通信与量子计算机(2024ZD0301100)、参与国家自然科学基金“杰出青年基金”、“后摩尔时代重大研发计划”重点项目等。博士期间作为项目组长参与并验收导师与华为终端 “可拉伸 FET元件开发”重大项目。以第一作者/通讯作者在Nano Letters、Advances Science、Nano-Micro Lett、Materials Horizons、ACS Applied Materials & Interfaces、Advanced Electronic Materials等学科群一流期刊发表SCI论文10余篇， SCI总引>600次。申请4项第二发明人专利(导师一作)，目前已授权2项。

▍Email：songxiaopan@nju.edu.cn

王胜

本文第一作者/通讯作者

苏州大学 讲师

▍主要研究领域

超宽温域固态电池、先进硅纳米线传感器器件及应用。

▍主要研究成果

苏州大学未来科学与工程学院集成电路讲师、优秀青年学者、硕士生导师。2022年于南京大学取得博士学位，师从国家杰青徐骏教授、长江学者周豪慎教授和国家优青何平教授。在超宽温域固态电池和硅纳米线器件应用领域，以第一或通讯作者在Nano-Micro Letters、Nano Letters、Advanced Energy Materials、Nano Energy、Energy Storage Materials、Journal of Materials Chemistry A等国际一流学术期刊上发表论文10篇，SCI总引用率超400次。主持江苏省自然科学基金青年项目(BK20230498)并指导5名研究生开展工作。

▍Email：shengwang@suda.edu.cn

撰稿：原文作者

编辑：《纳微快报(英文)》编辑部

关于我们

Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，主要报道纳米/微米尺度相关的高水平文章(research article, review, communication, perspective, highlight, etc)，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。已被SCI、EI、PubMed、SCOPUS等数据库收录，2024 JCR IF=36.3，学科排名Q1区前2%，中国科学院期刊分区1区TOP期刊。多次荣获“中国最具国际影响力学术期刊”、“中国高校杰出科技期刊”、“上海市精品科技期刊”等荣誉，2021年荣获“中国出版政府奖期刊奖提名奖”。欢迎关注和投稿。

Web: https://springer.com/40820

E-mail: editor@nmlett.org

Tel: 021-34207624