200万候选材料过筛仅秒级、2Ah软包电池600次循环容量保持率高达95%、百公斤级量产试制……这组振奋的数据背后，是上海交通大学黄富强讲席教授团队与李金金教授团队利用AI机器学习在钠离子电池领域取得的又一突破。

他们成功开发出一套基于集成学习、无监督学习和贝叶斯优化等多种人工智能算法的“混合流机器学习”（HFML）智能算法系统，从超过200万种候选材料中精准筛选出一种具有超长循环寿命的高性能钠离子电池高熵层状氧化物正极材料，该材料在循环寿命、倍率性能和中试规模试制中表现出色，实现了从“AI智能预测-材料合成-性能验证-产业化试制”的全链条贯通，为钠电池商业化落地提供了关键技术支撑，也为AI机器学习在能源材料领域的深度应用提供了范例。相关成果已于近期发表在国际核心期刊Advanced Materials上。

O3型钠离子电池层状氧化物正极材料（Na_xTMO₂），具有能量密度高、制备工艺成熟等优势，然而，钠离子半径较大，在充放电过程中反复脱出和嵌入正极材料时，会引起显著体积变化和结构相变，导致材料结构退化、容量衰减迅速，这成为制约钠电池产业应用的瓶颈。

“高熵”是一个热力学概念，表示系统的混乱度较高。在材料科学中，高熵层状氧化物（HEO）是指由多种主要元素以近似相等比例组成的材料，因多元素混合带来的高熵效应、晶格畸变效应、缓慢扩散效应和鸡尾酒效应，在稳定结构和提升性能方面展现出巨大潜力。这种设计思路打破了传统材料设计中“单一主导元素”的思维定式。

研究团队面临的挑战在于：正极材料的元素组合方式高达数百万种，传统的“试错法”材料开发模式效率低，难以在浩如烟海的元素组合中快速定位最优配方。为此，他们创新性地将AI人工智能技术引入材料设计领域，构建了融合集成学习、无监督学习和贝叶斯优化的“混合流机器学习”智能算法系统。该系统能够模拟材料学家的决策过程，综合多个模型的预测结果，提高准确性，自主发现数据中隐藏的规律和模式，快速排除无效配方，高效搜索最具潜力的候选材料，减少计算资源消耗。

具体而言，研究团队首先构建了包含2,258,020种可能材料的数据库。随后通过多轮筛选：剔除有毒、昂贵或不符合电荷平衡要求的元素组合；排除离子半径差异过大的配方，确保结构稳定性；保留包含7种及以上元素的“高熵”配方，候选材料从200多万种锐减至73,647种。接下来，研究团队利用机器学习模型预测这些材料的相稳定性，即在实际制备中能否形成所需结构，进一步将范围缩小到44,563种。最后，通过对比已知成功材料的特征，并利用贝叶斯优化算法寻找最优元素比例，团队确定了3种最具潜力的材料配方。通过建立成分-性能映射模型，算法能够在高维参数空间中自动搜索最优解，大幅提升了材料设计的效率和准确性。这种“算法驱动”的研究模式将材料研发效率实现数量级提升。