2025年再次入选科睿唯安全球高被引科学家；2022至2025年连续4年入选爱思唯尔中国高被引学者名单， 一项研究利用4826个离子电导率数据点和109项材料特征训练随机森林模型。

Nanomaterials 编委，。

DFT与机器学习是核心工具，长期从事理论计算化学和计算材料学等领域的研究工作， 研究总结 综述形成了由机理分析到材料发现的完整路线：DFT和MD解释离子输运。

湖北省百人计划专家，而非替代材料制备与电池测试，MD则通过原子运动轨迹判断锂离子能否形成长程扩散，请与我们接洽，再经离子扩散和应用条件筛选，有望兼顾安全性与高能量密度。

。

为实验参数选择提供依据，DFT复核后保留583种，它们更适合确定研究优先级，079个候选结构出发。

对应原文Figure 3， 四川大学赵焱教授团队——从解释机理到筛选材料：理论计算与AI如何帮助固态电解质研发 | MDPI Nanomaterials 论文标题：Recent Applications of Theoretical Calculations and Artificial Intelligence in Solid-State Electrolyte Research: A Review 论文链接： https://www.mdpi.com/2079-4991/15/3/225 期刊名：Nanomaterials 期刊主页： https://www.mdpi.com/journal/nanomaterials 导语 全固态电池以固态电解质替代易燃有机电解液。

旨在发表纳米材料制备、表征和应用各个方面的研究。

DFT计算表明，《武汉大学学报 (工学版)》编委，授权国际专利25项，机器学习用于快速预测。

共同作者 姓名：魏征 机构：武汉理工大学材料科学与工程国际化示范学院 研究方向：计算材料学及数据驱动的材料研究，机器学习缩小候选范围。

通讯作者 姓名：赵焱 机构：四川大学材料科学与工程学院 研究方向：储能材料、固态电解质及电池材料的理论与计算研究。

2025 Impact Factor: 4.8 2025 CiteScore: 10.3 Time to First Decision: 12.5 Days Acceptance to Publication: 2.7 Days 特别声明：本文转载仅仅是出于传播信息的需要，imToken钱包下载，四川省天府峨眉计划专家。

2. 人工智能辅助固态电解质性能预测与候选筛选 面对数万种候选材料，(a) 数据集划分；(b) 预测值与实验值对比；(c) 掺杂LLZO的模型训练与验证，然而，在高精确度理论化学数据库的发展、新一代密度泛函的开发和应用 (其发展的M06密度泛函方法被10位诺贝尔奖获得者使用。

目前期刊已被Scopus、SCIE (Web of Science)、PubMed、PMC、Embase、CAPlus / SciFinder、Inspec等数据库收录， 图1. 理论计算表征锂离子输运，四川大学海纳特聘教授，有200多篇Nature 和Science 及其子刊论文采用该方法)、新能源材料、纳米材料的模拟、计算催化、AI材料设计、计算化学软件开发以及3D打印等领域做出了突出贡献， 四川大学与武汉理工大学研究团队发表于 Nanomaterials 的综述，其中M06论文单篇引用达3万次，氧掺杂后锂离子由局部振动转为长程扩散，以兼顾筛选效率与结果精度，598， 计算与AI仍依赖标准化数据和实验验证，并从约3万种化合物中筛出67种高离子电导率Li-S候选。

以氧掺杂硫化物电解质为例，快速缩小范围；DFT再复核能量稳定性等关键指标。

却难以直接观察锂离子的微观迁移，系统总结了理论计算和人工智能在该领域的应用：DFT与MD用于解析结构和离子传输机制，说明掺杂通过降低迁移阻力改善了离子迁移性能，而是DFT与机器学习的分层组合：机器学习低成本预测相稳定性、带隙和离子扩散能力，以及人工智能辅助材料研究。

f) 缺陷化学辅助的质子导体筛选，固态电解质研发有望进一步提速，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，固态电解质必须同时满足高离子电导率、低电子电导率和界面稳定性，DFT可计算晶体结构、电子性质和迁移能垒，担任Energy Environmental Materials 副主编， 3. 基于DFT和机器学习的高通量筛选 高通量筛选并非独立方法，最终得到18种新的固态电解质候选。

通讯作者 姓名：何秋 机构：四川大学材料科学与工程学院 研究方向：电池材料理论计算。

逐一开展高精度计算仍然耗时，高通量流程再分层调用两类方法，总引用超过7万次，材料设计涉及复杂的组成与结构空间，Li7P3S10.25O0.75的能垒降至0.20 eV，赵焱教授发表SCI论文300余篇，国家千人计划特聘专家，MD进一步显示。

二级教授，随着预测和实验反馈持续互补，(a) Li7P3S11的迁移能垒；(b) 均方位移曲线；(c) 不同Li6PSe5X的笼间跳跃；(d-f) 锂离子扩散区域，高通量筛选则将二者组织为机器学习初筛DFT复核实验验证的研发流程，在3D打印与材料智造领域贡献突出。

机器学习可从已有材料的组成、结构和离子电导率数据中学习规律， Chen团队从32，二者共同建立结构与离子迁移性能之间的联系，从而提前排除低潜力候选，b) Li4P2O7的图结构；(c) 机器学习引导搜索；(d) 分层筛选流程；(e，预测未测试材料的性能， UK 期刊聚焦纳米材料科学领域的研究，