10月6日消息，arXiv预印本2605.27229（v2于10月3日更新）提出一种面向钠离子电池正极材料的高通量发现方法， Mohammad R. Momeni用「仅带电结构」数据集训练机器学习模型来加速高压正极筛选。

当前钠离子电池正极活性材料普遍受制于工作电压低、能量密度有限、不可逆相变与本征导电性差等瓶颈。该工作开发了可泛化、可迁移的描述符机器学习模型，以及基于组成与图神经网络的迁移学习模型，训练数据集刻意采用仅带电结构（charged-only structures）而非充放电结构对，大幅降低了对计算量的需求；再将表现最好的四个模型组成委员会模型，以平均电压为预测目标。

关键增量在于不确定度量化的引入：对委员会预测分歧较大的候选材料自动降权，提升筛选结果的可信度。对钠电产业化而言，正极是决定能量密度上限与成本的核心环节，此类「数据高效+可靠性量化」的机器学习筛选框架若与自动合成平台衔接，有望把新材料从计算到验证的周期进一步压缩。 （来源：arXiv）