結(jié)果證明，即使在較少數(shù)據(jù)下，通過與人工智能方法結(jié)合，仍可高效地找出最佳材料組成，大幅提高材料開發(fā)速度。

迄今為止，材料的開發(fā)不得不依賴研究人員長期積累的經(jīng)驗和敏銳的直覺，需要積累許多失敗的教訓(xùn)才能成功。

而第一原理計算是如果指定了材料的組成，基于量子力學可以預(yù)測的特征，在實驗之前即可預(yù)測新的高功能材料的最佳組成，從而大幅減少實驗失敗次數(shù)。但是第一原理計算的負荷非常巨大，材料各種組成需要多重計算，將會花費非常長的時間。

研究小組希望通過材料模擬、實驗和人工智能密切結(jié)合，解決材料開發(fā)中的問題，使材料開發(fā)時間大幅縮短，以期更容易地發(fā)現(xiàn)意想不到的組成和結(jié)晶結(jié)構(gòu)，造出新的高功能材料。

此次研究小組使用人工智能方法之一的貝葉斯推斷法組合，控制第一原理計算的運算次數(shù)，對全固態(tài)鋰離子電池固體電解質(zhì)的三種含有鋰的氧酸鹽合成化合物進行了預(yù)測。

結(jié)果證實，該方法能在可實現(xiàn)的時間內(nèi)，預(yù)測高鋰離子傳導(dǎo)率的最佳組合。同時在預(yù)測的組成附近也發(fā)現(xiàn)了其他組成的高鋰離子傳導(dǎo)率。

鋰離子傳導(dǎo)率是固態(tài)電解質(zhì)材料重要的特征之一，是主導(dǎo)鋰電池充放電速度的因子。此次研究成果驗證了利用材料模擬和人工智能方法可高效開發(fā)不漏液、不起火的鋰離子電池，今后有望在電池、半導(dǎo)體以及磁性體等材料領(lǐng)域發(fā)揮巨大潛力。