级联神经网络贯通 37 维正极材料参数，9 个候选实验误差低于 10%

学术圈重大事件 · 发布 2026-08-23T03:38:00+08:00 · 更新 2026-08-23T03:40:20+08:00

Advanced Materials 论文以级联神经网络串联 LNMCO 正极材料的组成、工艺、结构、性质和性能共 37 个维度，整体 R² 达 0.85；再结合拉丁超立方采样筛选，并对 9 个跨组成和路线候选做实验核验，误差均低于 10%。框架显示数据驱动筛选可回到实验闭环，但样本规模、跨实验室迁移和长循环性能尚未证明。

Advanced Materials 8 月 22 日上线一项镍锰钴氧化物（LNMCO）正极材料研究。团队把材料发现过程拆成“组成—工艺—结构—性质—性能”连续层级，设计级联神经网络 CaNN，同步映射 37 个参数维度；上游任务的预测结果会成为下游任务输入，以保留合成条件经结构传递到电化学表现的层级关系。论文页面见 Wiley DOI 入口，摘要和出版元数据可由 Crossref复核。

作者报告模型整体决定系数 R² 为 0.85，并用 SHAP 分析解释各参数贡献，检查预测是否符合结构继承等已知物理规律。模型随后与拉丁超立方采样及 Wa 筛选组合，形成“建模—扩展采样—筛选—实验”的闭环；团队选择了跨不同组成和合成路线的 9 个候选进行制备，报告预测误差均低于 10%。这比只在历史数据上报测试集分数更进一步，因为至少验证了模型能否把建议送回真实实验。

对电池材料实验室和研发部门而言，核心价值不是用模型替代实验，而是在庞大的配方与烧结条件空间中减少盲目试错，同时明确某个性能提升来自组成、工艺还是结构的传递。若框架能在外部数据和不同设备条件下保持精度，它可能加速能量密度与稳定性折中的多目标搜索；但摘要没有给出大规模外部验证、全电池长循环或工艺放大结果，9 个候选也不足以证明模型已覆盖整个高维空间。

为什么重要： 研究把 37 维材料变量压入可解释、可回到实验核验的级联流程，为数据驱动材料发现提供了比单一端到端回归更接近真实研发链条的范例。

信息来源

• Advanced Materials｜论文 DOI 页面
• Crossref｜论文元数据与摘要

可信度说明

结论来自同行评议论文，包含 R²、SHAP 解释和 9 个跨路线候选的实验验证，证据强于纯计算筛选；但验证规模仍小，训练数据覆盖、跨实验室迁移、长循环与全电池指标未在摘要中充分呈现，不能据此判断工业可制造性或寿命优势。