锂快离子导体（LSIC，又称固态电解质）作为全固态电池的核心组件，近年来备受关注。在庞大的材料结构空间中精准筛选兼具高离子电导率和优异稳定性的LSIC材料，是构建高能量密度、高安全性储能器件面临的关键科学挑战。尽管已有研究在LGPS、LLZO等特定结构材料中取得突破，但学界仍缺乏兼具普适性、可解释性和高效率的材料发现方法。

图论结构化学通过将材料微观结构映射为数学图模型，在材料基因组和催化活性探索等领域展现出强大的表征与预测能力。北京大学深圳研究生院新材料学院潘锋教授团队长期致力于图论结构化学方法的创新与应用，取得了一系列创新性成果：包括材料结构表示（J. Phys. Chem. Lett., 2023, 14: 954）、材料反向设计（npj Comput. Mater., 2025, 11: 147）、新型固态电解质设计（J. Am. Chem. Soc. 2024, 146, 18535），化学反应路径搜索（CCS Chemistry 2024, 7, 1）以及催化活性相搜索（Nat Comm. 2025,16, 2542）。近期，潘锋教授团队与密歇根州立大学魏国卫教授团队合作，提出了融合代数拓扑建模与AI无监督学习的多尺度拓扑学习（Multiscale Topological Learning, MTL）框架，为固态锂电池快离子导体材料的系统识别与筛选提供了新方案。相关研究成果以“Superionic Ionic Conductor Discovery via Multiscale Topological Learning”为题发表于国际著名期刊《Journal of the American Chemical Society》（JACS, 2025, DOI: 10.1021/jacs.5c04828）。

图1. 多尺度拓扑&AI学习工作流程示意图

该方法基于图论（拓扑）结构化学，将晶体结构划分为“锂离子结构基元”（Li-only）与“非离子结构基元”（Li-free）两类子结构，通过构建其单纯拓扑复形并引入代数拓扑不变量，精准提取三维空间中与离子迁移通道密切相关的结构信息。研究团队创新性地提出了两个具有明确物理意义的筛选指标：最小连通距离（

）用于量化“锂离子结构基元”的空间连通性，循环密度（

）用于刻画“非锂离子结构基元”中的拓扑孔洞特征。统计分析表明，所有已知高性能LSIC材料均集中在

< 5 Å、

< 0.6的区间内，证实了这两个拓扑指标在材料筛选中的判别能力。

图2.新发现的14种高性能锂电池快离子导体候选材料

基于此，团队进一步构建了结合持续同调（Persistent Homology）拓扑指纹与“近邻传播算法(Affinity Propagation)”聚类的无监督分类模型，对ICSD数据库中筛选出的2590种含锂材料进行结构聚类分析，成功识别出潜在LSIC簇群。结合从头算分子动力学（AIMD）模拟与电化学窗口筛选，最终发现14种新型高性能LSIC候选材料，其中Li₇SbO₆、Li₁₀Zn₄O₉等材料已获独立实验验证或专利披露，有力证明了该方法的预测可靠性。

研究还深入揭示了材料拓扑特征与扩散性能之间的关系，不仅增强了模型对结构—性能关系的物理解释能力，也为潜在材料筛选提供了理论依据。通过利用拓扑聚类结果对结构空间进行针对性探索，研究团队显著提高了AIMD验证阶段的成功率。

该研究为功能材料高效筛选提供了普适性策略，展现了图论结构化学、代数拓扑与数据驱动方法在材料科学中的深度整合潜力。由于该方法在结构建模过程中不依赖元素种类或晶格类型，未来可拓展至钠离子导体、质子导体等多种离子输运材料体系。此外，结合图神经网络与自动合成规划算法，MTL框架有望构建起“结构—性能—合成”一体化的智能材料设计平台，在能源材料、膜材料、功能氧化物等领域具有广泛应用前景。

北京大学深圳研究生院新材料学院潘锋教授及密歇根州立大学魏国卫教授为论文共同通讯作者，新材料学院博士毕业生陈冬（现密歇根州立大学博士后）和博士生王炳胥为共同第一作者。本研究获得国家自然科学基金、广东省重点实验室等项目支持。

论文链接：https://pubs.acs.org/doi/10.1021/jacs.5c04828