镁元素储量丰富、安全性高、且具有极高的理论体积比容量（3833 mAh/cm³，远超锂负极的2046 mAh/cm³），被视为下一代高能量密度储能体系的重要负极材料候选之一。然而，目前常见的镁电池正极材料普遍面临电压低、离子电导率差及容量受限等问题，严重制约其实际应用。传统的电极材料开发受限于实验试错周期长、理论计算成本高等难题，进展缓慢。尽管近年来机器学习技术在电极材料筛选中受到重视，现有的电池材料数据集主要由锂离子电池的材料数据组成，含镁化合物数据的稀缺性严重制约了AI在高性能镁离子电池正极材料筛选中的应用。

图1.端到端AI驱动的镁电极材料发现工作流

       针对上述问题，清华大学物理系张跃钢课题组创新性地设计了一套AI驱动的材料筛选流程，利用嵌入型离子材料的共性，发展出“多离子协同训练”方法，从而构建出可对锂、钠等多种离子的电极材料数据同时进行训练的通用图卷积神经网络模型。该模型能够有效捕捉各类电极材料中工作离子的局部电化学环境信息，从而预测不同类型的电极材料的电压。经过训练后，该模型对七种不同体系电极的电压预测误差在0.25 V到0.33 V之间，其中对镁电极的平均绝对误差仅为0.29 V，远低于此前报道的机器学习研究（0.45 V）。利用该模型，团队对Materials Project（MP）与GNoME数据库中的15308种稳定的镁化合物进行筛选，识别出160种电压高于3.0 V、理论体积比容量高于800 mAh/cm³的候选材料，模型预测的可靠性也得到了第一性原理计算的有力验证（MAE为0.51 V）。为进一步评估镁离子在高电压结构中的动力学性能，团队引入先进的机器学习分子动力学方法——神经等变原子间势能（NequIP），构建高精度机器学习力场，并利用该力场对候选材料进行快速、准确的分子动力学模拟。通过此方法，团队从高电压候选材料中进一步筛选出23种在1200 K下离子电导率超过100 mS/cm，兼具高电压、高容量和优异离子传导特性的镁电池正极材料。该研究提出的端到端AI驱动的工作流，不仅通过创新的多离子训练策略突破了镁电池数据稀缺的难题，还整合了高通量筛选和机器学习分子动力学模拟，实现了对镁正极材料电压和离子传导性能的协同筛选。该流程为高性能镁离子电池及其他多价离子电池材料的发现铺平道路，结合后续的实验验证，将可能加速高能量密度镁电池材料的开发与应用。

       这项研究成果以“AI-driven accelerated discovery of intercalation-type cathode materials for magnesium batteries” 为题发表在学术期刊Journal of Energy Chemistry上。清华大学物理系张跃钢教授为该文的通讯作者， 2022级博士生陈文杰为文章的第一作者。该项工作得到国家重点研发计划项目(2022YFA1203400)和国家自然科学基金（W2441009）支持。

       文章链接：https://doi.org/10.1016/j.jechem.2025.03.085