通过大型语言模型和表示聚类技术，从金属-有机框架数据库中挖掘固态电解质

《Journal of the American Chemical Society》：Mining Solid-State Electrolytes from a Metal–Organic Framework Databases through Large Language Models and Representation Clustering

金属有机框架材料（MOFs）作为固态电解质因三维孔道加速锂离子迁移而受关注，但其复杂性阻碍发展。本文利用大语言模型（LLMs）和机器学习构建数据集，通过表示聚类挖掘候选MOFs中的高性能材料，成功识别NOTT-400并验证其高离子电导率（2.23×10?? S/cm）和宽电化学稳定性窗口（0-4.79 V），为AI驱动材料发现提供新范式。

　　

金属有机框架（MOFs）作为固态电解质（SSEs）受到了越来越多的关注，因为它们具有三维多孔结构，有利于锂离子（Li⁺）的迁移。然而，由于其本身的复杂性以及缺乏设计指导原则，MOFs的发展受到了阻碍。大型语言模型（LLMs）和机器学习作为新兴的人工智能（AI）技术，可以通过分析数据并识别潜在材料来显著加速MOFs作为固态电解质的研究进展。在本文中，我们利用LLMs和表示聚类方法从11,393种候选MOF材料中智能筛选出具有潜力的MOFs，并通过物理化学表征和电化学测试进行了验证。具体而言，我们采用基于LLMs的交互式迭代文本挖掘框架来提取有关MOFs的信息，构建了一个专门用于存储MOFs结构和电化学性质的数据集，实现了高精度和高召回率的结果。每种性质都被投影到一个表示空间中，然后对样本进行表示聚类，从而从候选MOF数据集中筛选出具有优异性能的MOFs。作为典型结果，NOTT-400通过聚类分析被成功识别出来，它表现出较高的锂离子导电性（2.23 × 10^–4 S cm^–1）和较宽的电化学稳定窗口（0–4.79 V），这不仅证明了该材料的可行性，也验证了整个AI驱动方法的可靠性。这种基于AI的新颖MOFs筛选方法及其设计原理，为加速材料发现开辟了新的途径。