锂快离子导体（LSIC，也称固态电解质）因其在全固态电池中的关键作用，近年来引起广泛关注。如何在庞大的材料结构空间中精准发现具备高离子电导率与良好稳定性的LSIC材料，是构建高能量密度、安全性强的储能器件面临的重要科学问题。尽管已有研究在特定结构类型（如LGPS、LLZO等）中取得突破，但仍缺乏一种具有普适性、解释性与高效率的材料发现方法。

作为一种将材料微观结构映射为数学图模型的方法，图论结构化学近年来在材料基因组、催化活性探索等方向中表现出强大的表示和预测能力。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拓展与应用，并在该领域提出了一系列创新性工作，实现了材料结构表示（J. Phys. Chem. Lett., 2023, 14: 954），材料的反向设计（npj Comput. Mater., 2025, 11: 147），新型固态电解质的设计（J. Am. Chem. Soc. 2024, 146, 18535），化学反应路径搜索CCS Chemistry 2024, 7, 1），催化活性相搜索（Nat Comm.2025,16, 2542）。近日，潘锋教授团队联合密歇根州立大学魏国卫教授团队，提出了一种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，用于系统识别和筛选固态锂电池快离子导体材料。相关研究成果以题为“Superionic Ionic Conductor Discovery via Multiscale Topological Learning”的论文，发表于国际著名期刊Journal of the American Chemical Society (JACS)（2025, DOI: 10.1021/jacs.5c04828）。

多尺度拓扑&AI学习工作流程示意图

该方法以图论（拓扑）结构化学为基础，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，提取三维空间中与离子迁移通道密切相关的结构信息。研究团队提出了两个新颖可解释的筛选指标：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的范围内，验证了这两个拓扑指标在材料筛选中的判别能力。

发现了14种全新高性能锂电池快离子导体候选材料

在此基础上，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，识别出潜在LSIC簇群。结合AIMD（从头算分子动力学）模拟与电化学窗口筛选，最终发现了14种全新高性能LSIC候选材料，其中包括Li₇SbO₆、Li₁₀Zn₄O₉等材料已被独立实验验证或专利披露，证实了该方法在材料发现方面的预测可靠性。

研究还系统揭示了拓扑特征与扩散性能之间的关系。这一结果不仅提升了模型对结构—性能关系的物理解释能力，也为潜在材料的筛选提供了理论支持。在生成候选材料的过程中，研究团队利用拓扑聚类结果对结构空间进行有针对性的探索，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可泛化的策略，展示了图论结构化学、代数拓扑与数据驱动方法在材料科学中的深度融合潜力。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，未来可推广至钠离子导体、质子导体及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，服务于能源材料、膜材料、功能氧化物等领域的应用需求。

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本文的通讯作者，新材料学院博士毕业生陈冬（现密歇根州立大学博士后）、王炳胥博士生为本文共同第一作者。本研究由国家自然科学基金、广东省重点实验室等项目资助。