8月26日消息，arXiv收录预印本《A Hierarchical Synergistic Deep Learning Framework Integrating Composition, Structure, and Ionic Transport for Solid-State Electrolyte Discovery》（编号2608.25592，作者Hongwei Du、Dingyang Lv、Baolei Wei等），submitted于2026年8月26日。

核心内容：无机固态电解质需要同时满足高室温离子电导率、宽电化学窗口、优异电子绝缘性与良好机械柔韧性，但单一机器学习模型难以在庞大化学空间中支撑可靠的多目标筛选——训练数据分布失配、跨性质数据集异构、动力学输运数据稀缺是三大障碍。该研究开发了层级协同深度学习框架，通过四个互补模块依次协调效率、准确性与可靠性：自研的L-G-DCNN与基于DenseGNN的多保真实现分别充当成分专家与结构专家，负责热力学粗筛与多性质评估；MatterSim与定制DeePMD模型提供输运预评估与离子电导率计算。

意义：固态电解质是全固态电池商业化的核心瓶颈材料，AI多目标筛选可将有价值候选的发现周期从传统试错法的数年压缩至数周。该框架将成分、结构与输运三个物理层级分而治之再协同，为材料基因组类研究提供了可复用的架构范式，对电池材料、催化材料等 multi-property 优化场景均有借鉴价值。 （来源：arXiv）