十九世纪三十年代，法拉第在研究固体导电性时发现，氟化铅和硫化银在高温下会从绝缘体转变为优良的导体。这一发现虽看似微不足道，却开启了离子导体研究的大门。

与传统导体依靠自由电子移动不同，这两种物质的导电性依赖于氟离子和银离子的快速移动。经过近两百年的发展，越来越多的离子导体被发现，包括锂、钠、钾、银、铜等阳离子导体以及氟、氯、氧等阴离子导体。这些导体的应用前景广泛，包括锂离子电池、钠离子电池、固态燃料电池、固态气体传感器等。若能在锂离子电池中用固态锂离子导体替代易燃电解液，将有助于提升电池的安全性和能量密度。因此，对固态锂离子导体的研究成为了当今的重要热点。

研究表明，有效的固态离子导体需要具备高浓度可自由移动的离子和低分散势垒等特点。然而，目前尚未找到一种能有效筛选材料的方法。因此，新材料的开发很大程度上仍依赖于经验性的实验试错，如最近发现的超锂离子导体LGPS和LLZO等。这促使科学家们思考如何利用现有的材料知识，快速发现和筛选出高性能材料。

近年来，引入机器学习的方法逐渐成为研究趋势。通过分析文献中的数据，建立定量的机器学习模型，以提高筛选材料的效率和发现新材料的可能性。例如，如果能训练一个机器学习模型来预测材料的离子导电性，就能更有针对性地进行实验。

然而，机器学习的效果很大程度上取决于数据量。在材料科学领域，可用的数据量通常非常有限。以锂离子导体为例，至今只发现了十几种不同的锂离子导体。如何利用有限的数据来指导新材料的筛选成为一大挑战。

为了应对这一难题，来自丰田北美研究院和马里兰大学的研究团队提出了一种全新的机器学习方法。不同于传统的从材料特征到性质的定量关联，他们采用无监督学习的方法，通过对材料进行分类，识别出哪些类别具有较好的材料特性和所需的性能，然后结合高通量计算方法深入预测这些类别中的材料性质。这种方法无需大量的材料性质数据，从而克服了数据量不足的问题。

以锂离子导体为例，研究团队首先通过模拟X射线衍射将材料的阴离子晶体结构转化为数值矢量，作为机器学习的特征。随后，他们使用层次聚类方法对材料进行分类。结果显示，大多数锂离子导体集中在两个相邻的类别中。通过优化分组算法，他们发现这种基于衍射特征的分类方法能够稳定地区分固态锂离子导体。这一分类揭示了阴离子构型在决定锂离子传导中的重要作用。进一步分析表明，锂离子导体大多处于高度对称的阴离子构型和高度不对称的阴离子构型之间，这种中间状态有利于形成能级相近的锂离子位点，从而促进快速离子传导。

研究团队利用第一性原理分子动力学预测并筛选了这些材料，最终找到了十六种新的室温导电率超过0.1 mS/cm的材料，其中最高室温导电率接近10^-1 S/cm。这些材料的化学成分和晶体结构与已知的锂离子导体明显不同，为未来的研究提供了新的方向。

这项研究成果已发表在《自然·通讯》杂志上，通讯作者分别是马里兰大学的莫一非教授和丰田北美研究院的首席科学家清晨博士。莫一非教授领导的研究小组专注于利用先进的计算技术来理解和设计高性能材料，特别是在能量存储与转换材料领域。清晨博士则致力于应用第一性原理和机器学习方法来设计和开发各种功能材料。