基于全局注意力机制的CGformer晶体图网络在钠离子固体电解质材料设计中的突破性应用

来自国际前沿团队的研究人员针对高熵材料(HEMs)设计难题，开发出具有全局注意力机制的CGformer模型。该研究通过分析晶体结构中所有原子的长程相互作用，成功预测了钠离子固体电解质(HE-NSEs)的离子电导率，筛选出18种NASICON型候选材料并合成验证，获得室温电导率达0.256 mS cm?1、活化能低至0.235 eV的优异性能，为能源材料设计提供了革命性AI工具。

　　

在电动汽车和电网储能领域，开发兼具高效性与安全性的新型电池材料面临重大挑战。传统试错法对于由多种元素混合构成的高熵材料(High-entropy materials, HEMs)尤其低效，其近乎无限的原子组合方式使实验室筛选变得不可行。

研究团队创新性地构建了CGformer模型，突破传统晶体图卷积网络(CGCNNs)仅考虑最近邻原子相互作用的局限。该模型通过变压器(transformer)增强的全局注意力机制，捕获复杂晶体中所有原子的长程关联，特别适用于描述无序晶格中离子传输的关键特性。在钠离子固体电解质(HE-NSEs)的筛选中，模型平均绝对误差较CGCNNs降低25%。

结合无监督聚类算法，研究者对148,995种NASICON型掺杂材料进行快速筛选，锁定18种优选组分。实验验证显示，六种合成材料室温离子电导率最高达0.256 mS cm^?1，活化能最低至0.235 eV，性能显著超越未掺杂材料。这项技术框架可拓展至锂电极材料、多价离子导体及热电材料等领域，为加速可持续能源材料的开发提供了智能化解决方案。