可解释机器学习加速基于金属有机框架的固态电解质的理性筛选与性能预测

《Materials Today Chemistry》：Interpretable machine learning accelerates rational screening and performance prediction of MOF-based solid-state electrolytes

　　**摘要**针对传统液态电池存在的安全隐患，以及金属有机框架（MOF）固态电解质面临庞大的化学空间和低效的实验筛选挑战，本研究旨在阐明MOF微观几何结构与离子传输之间的构效关系。我们构建了涵盖UiO、ZIF和MIL等主流系列的高质量实验数据库，并开发了具有优异泛化能力的随机森林（RF）预测模型（R² = 0.952）。结合SHAP与偏依赖图（PDP）可解释性分析，定量阐明了"空腔弛豫、网络连接"的离子传输机理。研究建立表明，最大腔径（LCD）是决定电导率的首要核心因素，而可及体积分数（AVF）则确保全局传输通量。基于该模型，对材料项目中的4189种MOF进行了高通量筛选。为实现阴离子空间封堵同时保证阳离子有效通过，引入双重几何约束（LCD<8 ?，PLD>1 ?），成功筛选出若干高潜力候选材料，其离子电导率普遍达到3.5 × 10^?4 S cm^?1水平。通过几何调控，部分最优材料的离子电导率理论极限可达4.12 × 10^?4 S cm^?1。本工作不仅建立了一种高效的筛选工具，也为未来通过化学改性打破几何限制并合理设计高性能固态电解质奠定了理论基础。**引言**随着高能量密度储能技术的快速迭代，传统锂离子电池中液态电解质所面临的易燃、泄漏及界面副反应等安全隐患日益凸显，严重制约了电池性能的进一步突破^[1-3]。全固态电池（ASSBs）凭借其卓越的安全性和潜在的高能量密度，被广泛认为是下一代储能技术的核心发展方向^[4,5]。作为全固态电池的关键组件，固态电解质（SSEs）的离子电导率和化学稳定性直接决定了电池的整体性能^[6]。在众多固态电解质候选材料中，金属有机框架（MOFs）因其高度可设计的晶体结构、可调的孔径和丰富的配位环境而展现出巨大的离子传导潜力^[7,8]。MOFs的多孔骨架不仅为离子迁移提供了低阻抗通道，还能通过底层拓扑网络构建特定的离子传输路径^[9,10]。然而，MOF体系极为庞大，包含超过十万种品种，但目前仅有极少数被实际应用于固态电解质中^[11,12]。新型MOF基固态电解质的研发主要依赖耗时长、成本高的"试错法"实验，缺乏明确合理的标准，这使得传统实验难以揭示腔径、孔隙率和拓扑特征对离子传输的具体影响^[13,14]。因此，引入高效的数据驱动方法来加速材料筛选并揭示潜在的离子传导机理势在必行^[15]。机器学习（ML）作为人工智能的重要分支，正逐渐成为推动材料科学从经验驱动向数据驱动范式转变的关键技术^[16]。通过学习并建模海量实验和计算数据，机器学习能够捕捉材料结构与性能之间复杂的非线性关系。在电池领域，机器学习已成功应用于预测电极材料电压、评估离子扩散能垒和建模电导率，显著提高了材料发现与设计的效率^[17,18]。与传统密度泛函理论（DFT）计算和分子动力学（MD）模拟相比，机器学习具有计算成本低、可扩展性强、预测速度快等优势，尤其适用于结构复杂、高维度的MOF体系^[19]。使用传统DFT计算含数百个原子的标准MOF单元胞通常需要数十至数百个CPU小时，而运行离子扩散率的MD模拟则需要数千个CPU小时。若对本工作中涉及的4189种材料全部进行完整MD模拟，所需总计算量将超过10⁶ CPU小时，在实际研发中不可接受。相比之下，本工作采用的Zeo++几何特征提取结合随机森林（RF）预测模型，在单台标准工作站上约2小时内便完成了全部4189种材料的拓扑分析和性能预测，计算效率实现了数万倍飞跃。近年来，多项前沿研究已证实了该方法的有效性。例如，Cubuk等人利用图神经网络对包含数万个数据集的材料数据库进行深度学习，以极低的计算成本成功预测了锂离子电导率并筛选出超离子导体候选材料^[20]。类似地，研究人员利用自然语言处理（NLP）技术结合大语言模型（LLMs）与机器学习来挖掘MOF数据库，成功鉴定了具有优异电化学窗口和高电导率的新型MOF材料^[21,22]。与此同时，日益增长的实验前沿工作和数据驱动研究凸显了构建功能MOF架构的巨大潜力——例如将专门的铁基或铟基框架激活为聚合物电解质中的活性填料，或开发先进的正极/电解质优化模型，以建立下一代锂/钠电池所需的连续高速离子高速通道^[23-28]。与以往依赖计算昂贵的第一性原理计算的方法不同，聚焦于MOF孔道几何特征能够在较低成本下快速筛选空间位阻效应，这对于大规模数据集的高通量筛选尤为关键。此外，随着可解释机器学习（XML）方法的进步，研究者可通过特征重要性和SHAP值等技术深入理解模型的决策过程，从而揭示影响材料性能的关键结构因素^[29,30]。近期研究表明，借助SHAP分析，科学家不仅能实现高精度的性能预测，还能成功识别控制离子传输的关键几何和电子描述符，从而在微观尺度上为导电行为提供空间映射解释^[31,32]。为应对上述挑战，本研究建立了一个基于可解释机器学习的MOF固态电解质性能预测与高通量筛选框架。通过建立具有高度泛化能力的RF预测模型并利用SHAP分析，本研究首次定量揭示了"空腔弛豫、网络连接"的微观离子传输机理，确认最大腔径（LCD）是影响局部离子跳跃能垒的核心几何要素。此外，通过对4189种候选材料的高通量预测，本工作深入暴露了当前材料设计所面临的"几何约束"：即为实现阴离子空间封堵而施加的孔径限制，容易使仅依赖物理空间调控的策略遭遇性能瓶颈。本工作不仅阐明了固态电解质结构与其离子电导率性能之间复杂的构效关系，也为未来打破单一几何限制、引入深层化学改性以协同实现高性能全固态电解质合理设计提供了客观的理论参考和数据支持。**材料与方法**图1展示了用于筛选高离子电导率MOFs的机器学习框架工作流程示意图。整个过程包括数据获取、数据预处理、模型构建、模型评估和模型可解释性五个环节。利用Web of Science数据库从文献中获取MOFs的离子电导率参数。从CCDC数据库下载MOFs的.cif文件，并使用Zeo++计算结构参数。整理后的数据随后用于……**预测模型的建立与性能评估**为了构建能够准确预测MOFs离子电导率的机器学习模型，本研究在留一交叉验证（LOOCV）策略下评估并比较了四种算法（RF、SVR、GBRT和XGBoost）的预测能力，如图2所示。模型在三项核心评估指标上表现出显著差异；R²比较结果如图3所示，RMSE和MAE的比较结果如图4所示。具体排名如下：在预测……**结论**针对MOF固态电解质研发中筛选周期长和构效关系复杂等挑战，本研究构建了一个基于可解释机器学习的高效性能预测框架。通过对100组高置信度实验数据的系统学习，随机森林（RF）模型被证实在小样本条件下具有优异的泛化能力。利用SHAP分析，……**CRediT作者贡献声明****Li Guangyu：** 调查研究、方法论、验证、可视化、撰写——原稿、撰写——审阅与编辑。**Li Tingting：** 概念化、方法论、撰写——审阅与编辑。**Xia Shengkai：** 数据整理、形式化分析。**Li Qianhui：** 数据整理、形式化分析。**Pan Yue：** 数据整理、形式化分析。**Ma Zhiming：** 基金获取、调查研究、项目管理、撰写——审阅与编辑。**利益冲突声明**作者声明，不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。**致谢**本研究由辽宁省本科高校基本科研业务费专项资金（编号：LJ212410144040）、辽宁省自然科学基金（编号：2025-BS-0347）以及沈阳理工大学高层次人才研究支持项目（编号：1010147001104）资助。