材料研发长期依赖试错法，一名研究者穷尽一生也只能深耕少数体系，面对海量文献与复杂的高维化学空间，人工筛选、手工提取数据、经验归纳的设计路线越来越难以支撑新材料开发的效率需求。全固态电池被视为下一代电池技术的重要方向，其核心部件固态电解质的研发同样面临这一困境。

天津大学研究团队近日发表研究成果，构建了一个名为AutoSEE的自主科研智能体，以大型语言模型为核心控制器，将文献阅读、数据提取、规律蒸馏与实验验证串成一条闭环流水线，并在5分钟内处理226篇卤化物固态电解质文献，自主提炼出一条此前未被明确总结的设计规律，据此设计出一种新型高离子电导率电解质。

一、材料研发的旧困境

锂离子电池在便携电子设备与电动汽车领域广泛应用，但易燃液态电解质带来的安全隐患与能量密度瓶颈制约其进一步发展。采用不可燃固态电解质的全固态电池被视为下一代电池，围绕聚合物、氧化物、硫化物、卤化物等候选体系，学界展开了大量研究，以期获得更高离子电导率、更优电化学稳定性与更长服役寿命。

候选电解质种类繁多，离子输运机制复杂，究竟哪一类体系最具实用前景至今尚无定论。传统材料发现依赖试错实验，周期长、成本高、人力消耗大。在信息过载的时代，研究者的经验积累与领域洞察难以应对成分、结构、性能之间的复杂非线性耦合关系，大量文献中隐藏的设计线索被淹没，可操作的设计规则迟迟无法沉淀，材料发现的节奏被显著拖慢。

二、AI助手为何不够用

人工智能尤其是大型语言模型的兴起为加速材料研究带来转机。研究者尝试将大模型作为智能研究助手，借助其推理与语言理解能力，调度专用数据库、预测模型与生成工具，执行从性能预测到逆向设计的复杂任务。

但现有大模型应用仍存在明显短板。能源化学领域充斥着高度专业的化学语义与跨尺度耦合效应，通用大模型缺乏足够深的领域知识，解析这类文献时力不从心。更关键的问题在于，当前大模型工作流虽能集成工具、执行复杂任务，但本质上仍是分段式的，并未形成自主闭环。在知识蒸馏、模型预测、实验指导等关键环节，系统往往需要大量人工介入，缺乏自主提取信息、形成可验证假设、并引导端到端实验的决策能力。

研究者的核心痛点并非单纯的信息检索，而是缺乏一种能够自主完成科学发现的智能工作流。真正的科学发现不是查资料，而是从无序信息中提炼规律、生成假设并加以验证。

三、AutoSEE的闭环架构

针对上述瓶颈，研究团队构建了自主科研智能体AutoSEE，即自动化固态电解质探索系统。AutoSEE以GPT-4o作为中央控制器，自主规划并调用一系列专用工具，包括文献筛选、文本挖掘、特征工程、知识可视化与机器学习模块。系统还集成了基于检索增强生成技术的交互助手，可基于结果数据库接受研究者的实时提问。

AutoSEE的工作模式与此前工具截然不同。传统文本挖掘工具扮演被动数据提取器的角色，AutoSEE则是一个具备自验证能力与自主知识蒸馏能力的主动智能体，将工作流从线性的数据处理转变为闭环的知识探索。研究者只需输入原始文献与研究需求提示词，AutoSEE即可独立完成从文献处理到新材料输出的完整流程。

AutoSSE的运行框架示意图

四、五分钟读完226篇论文

科研数据驱动方法的效果取决于底层数据质量。AutoSEE的第一道工序是智能文献筛选。传统关键词匹配在固态电解质领域效果不佳，因为化学式、缩写与结构描述符在不同文献中写法各异，术语歧义与新兴材料命名难以被简单规则捕捉，容易造成文献语料残缺与偏差。

AutoSEE采用基于语义理解的分类模型处理这一难题。模型依据上下文语境判断文献相关性，仅用17秒即完成226篇卤化物固态电解质文献的分类，精度达99%，较人工筛选提速约133倍。高质量文献语料的构建为后续知识提取打下基础。

关键信息提取环节采用自验证文本挖掘框架。AutoSEE将每篇文章切分为语义连贯的文本块，由GPT-4o-mini基于上下文理解识别多种类别信息。候选结果生成后，系统立即启动自验证协议，重新比对原文，仅保留有明确证据支撑的数据，拒绝并重新提取无据输出。这种闭环的、证据驱动的推理管线有效抑制了大模型的幻觉风险，使低成本模型也能达到高提取精度。

整个文本挖掘过程仅耗时4.68分钟，化学式提取精度达98.9%，结构描述符精度95.56%，离子电导率参数精度91.11%。经过验证的输出构成高保真数据集，为后续科学知识提取奠定基础。

五、从数据到规律的自主探索

获得高保真数据后，AutoSEE启动特征工程模块，将原始信息转化为物理意义明确的数值描述符，包括阳离子与阴离子摩尔分数、离子半径、电荷密度、电负性及统计指标。基于结构化数据库，系统对卤化物固态电解质开展全局数据驱动探索，生成一系列统计可视化图表。

平行坐标分析显示，Cl、Br、O是最主要的阴离子，In、Y、Zr是最常见的主阳离子，不同阳离子与阴离子的组合策略清晰呈现，例如氯化物体系中In与Zr的频繁搭配。阴离子迁移特征分析显示，氯离子导体的活化能分布离散，实际性能高度依赖局部配位环境与缺陷状态。氧氯化物混合阴离子体系表现出高电导率，数据集中相当比例的高性能样本集中于此。

初步统计还发现，球磨合成路线性能波动较大但峰值电导率最高；非晶态材料的电导率分布更利于高性能，晶态与混合相样品则多集中于低电导区间。这些二维相关性不足以解码高维特征空间中决定高性能的内在化学特征，AutoSEE转而调用机器学习模块，深入挖掘隐藏设计规则。

六、无监督聚类锁定的非晶簇

AutoSEE选择无监督聚类方法，因其无需标注数据即可自动识别化学组成空间中的潜在结构，在数据稀疏的能量材料研究中更具适应性与效率。系统结合主成分分析与统一流形逼近投影技术压缩高维数据，并经多模型对比，最终选定HDBSCAN聚类算法，成功解析出六个紧致、分离良好的非球形簇。

将聚类归属与关键材料性质关联后发现，物相结构是首要分类标准。富集分析确认簇5为独特的非晶材料主导家族，逻辑回归进一步给出定量支持，簇5是唯一统计显著的非晶结构形成预测因子。

更重要的是，簇5材料的离子电导率远超其他簇，且主要由球磨法制备。但簇4与簇3同样以球磨为主，电导率却远低于簇5，说明合成方法本身并非性能的决定因素，簇5的内在化学特性才是形成高电导非晶电解质的关键。

七、高电荷密度规则浮出水面

AutoSEE深入剖析簇5材料优异的离子输运特性，统计分析表明，簇5材料与主阳离子和阴离子的高电荷密度强相关。结合文献中高价位阳离子调控电解质结构、弱配位环境利于离子输运的认知，研究发现高电荷密度阳离子能显著增强体系玻璃形成能力，对球磨过程中非平衡非晶相的动力学稳定至关重要；高电荷密度阳离子还诱导非晶网络中形成弱配位阴离子框架，促进锂离子以低活化能迁移。

组成空间分析显示，簇5材料占据特征化学组成区域，即较高的阴离子比例、适中的锂离子比例与受控的框架阳离子总量。这种化学计量关系在结构上利于更大的离子迁移瓶颈半径，并增强三维扩散路径的连通性。

元素级富集分析给出更直观的证据。簇5中钽、铝、镓、氧等框架离子显著富集，这些被优先选中的阳离子与阴离子均具高电荷密度特征，从元素层面证实高电荷密度有利于非晶结构形成并促进高离子电导率这一设计原则。

 面向固态电解质材料设计的元素富集分析，展示了第5簇中各元素频率相对全局数据集的偏移情况

元素频率以该簇内元素计数的最大值为基准进行归一化计算。图中红色区域表示元素在该簇中富集，蓝色区域表示元素缺失，颜色深浅对应频率差异的大小。

八、新型电解质的实验验证

为验证并拓展AutoSEE揭示的设计规律，研究团队探索了卤化物电解质尚未被触及的化学空间。B元素虽未在簇5中富集，但极少被作为卤化物电解质的掺杂元素研究，而硼同样具备高电荷密度的关键特征，有望形成非晶态高电导卤化物电解质。

团队将B与簇5中富集的Ta元素结合，设计并合成出新型电解质LiTaB_0.32O_0.98Cl₅，简称LiTaBOCl。X射线衍射图谱未出现晶体布拉格峰，证实材料呈非晶结构。电化学阻抗谱测试显示，LiTaBOCl在30摄氏度下离子电导率达7.82mS/cm，超过基线材料LiTaO_0.5Cl₅的6.62mS/cm。高离子电导率源于合成与非平衡结构的协同，球磨引入结构无序，高电荷密度的钽与硼离子作为网络形成体动力学稳定非晶相，防止再结晶并促进锂离子快速传输。

为验证高电荷密度规则的普适性，团队引入硼、硅、锡、锆作为对照元素开展系统实验。以低电荷密度阳离子锡与锆替代钽，所得LiTaSnOCl与LiTaZrOCl离子电导率分别降至4.72与2.32mS/cm；引入高电荷密度硅的LiTaSiOCl则获得7.67mS/cm的优异电导率。

清晰性能梯度严格对应框架阳离子平均电荷密度的递减趋势。对照实验证明，高离子电导率并非单纯来自钽元素本身，而是由阳离子电荷密度主导。该结论在文献语料规模与组成变化下保持稳定，为数据驱动设计范式提供了强有力的实验支撑。

结语

AutoSEE将簇5从简单的统计标签解码为可复现的统一设计范式，整合了化学组成、晶体结构与离子动力学。其模块化架构保证高适应性，通过重构领域专用工具集与文献筛选标准，该系统可无缝迁移至硫化物、氧化物、聚合物等其他复杂材料体系。例如在硫化物体系中，智能体可定制用于解析离子电导率与电化学稳定性之间的本征竞争关系。

这项工作不仅为固态电解质理性设计提供了具体指南，更展示了科研方法论层面的范式转变，从被动数据检索走向主动的智能体驱动知识蒸馏与假设生成。AutoSEE为加速下一代能源材料开发提供了一种通用平台，也让科研工作流从线性数据处理迈向自主知识探索的闭环。对材料研究者而言，AI不再只是检索工具，而是能够独立完成文献综合、规律发现与新材料设计的科研伙伴。