arXiv论文：可微代理模型把锂离子电池物理模型参数辨识做到毫伏级精度
arXiv预印本2609.10341提出基于单粒子模型加电解质动力学（SPMe）的可微代理反演框架，用Artiphy快速正向映射从端电压数据反演电池传输、动力学与容量参数组，对DFN基准电压复现误差在1毫伏量级，正极扩散率大范围准确恢复，指向快速硅内电池参数化。
机器学习
共 3 页 · B910化工 · AI 化学信息库
锂电电解液设计新工具：可微溶剂数值模型实现溶剂化结构理性设计
Venkatasubramanian Viswanathan团队在arXiv发表可微分溶剂数值模型框架，将Li+溶剂化壳层组成的预测转化为可优化问题，为局部高浓电解液（LHCE）等锂金属电池电解液体系提供从分子性质到溶剂化结构的定量设计路径。
普林斯顿PACMAN AI框架通过五次聚变实验验证 控制周期仅20毫秒
普林斯顿等离子体物理实验室等机构开发的PACMAN机器学习框架在DIII-D托卡马克的五次实验中完成验证，可在20毫秒内完成等离子体预测与控制闭环，并能提前约200毫秒预测撕裂模，成果发表于《Nuclear Fusion》。
AI结合田口法优化化学镀Ni–Fe–P涂层硬度，退火后进一步提升
9月4日消息，研究人员将田口实验设计与回归、人工神经网络（ANN）及支持向量机结合，预测并优化铜基体上化学镀Ni–Fe–P涂层的硬度。基于决定系数R²，ANN模型被认定为最可靠的硬度预测器；方差分析确认NiSO4浓度及其与FeSO4的交互作用是关键因素。最优样品450°C退火后析出Ni3P，硬度进一步提高。
印度科学研究所用机器学习修复PBE赝金属误判，筛出29个二维绿氢光催化剂候选
9月2日提交至arXiv的论文（Ritam Chakraborty与Arpan Das，印度科学研究所）针对DFT筛选中PBE泛函将窄带隙半导体误判为金属的失效模式，开发泄漏感知修复加HSE06-PBE差值学习两阶段模型，以0.108eV平均误差重构HSE06带隙（原始PBE误差1.036eV），在pH=0条件下筛出10个严格与29个宽松绿氢光催化候选材料。
石墨烯片化学决定钙钛矿电池命运：DFT+机器学习揭示GF与GOF不可互换
arXiv 9月2日新论文（2609.02744）通过DFT计算与机器学习结合研究石墨烯衍生物与金属卤化物钙钛矿的相互作用：氧化石墨烯（GOF）与钙钛矿晶格作用更强但引发更大结构畸变、界面极化和局域隙态，而 pristine 石墨烯片（GF）形成基本无扰动的接触且在宽组分范围内保持该特性——两类材料在钙钛矿器件中不可互换，为石墨烯添加剂的选型提供设计准则。
分子动力学+机器学习解析锂电池电解液低温输运：FEC添加剂对EC/EMC体系的影响量化
9月2日提交至arXiv的研究结合经典分子动力学与机器学习建模，系统研究1M LiPF6的EC、EMC及EC/EMC(3:7)电解液在233-298K温区加入0-10mol%氟代碳酸乙烯酯（FEC）后的锂离子输运性质，量化Li+自扩散与电导率随温度与溶剂组成的变化，为低温电池电解液配方提供原子级依据。
厦门大学等提出ProtoMI框架：从稀疏文献知识迁移，加速锂电电解液添加剂发现
9月2日提交至arXiv的论文提出文献驱动的原型引导分子智能框架ProtoMI，从已报道电解液添加剂中学习可迁移的结构先验，对未标注化学空间中的候选分子排序。针对硼系添加剂案例，框架从数百万分子中筛选的候选在容量保持率等指标上进入文献报道值前1%。通讯作者为厦门大学黄加庆团队。
机器学习+光谱学实现核化学实时监测：稀土同位素浓度预测误差低至1.2%
研究人员将统计实验设计与化学计量学模型结合，用D-optimal设计高效构建光谱训练集，对硝酸溶液中镨、钕同位素浓度的预测误差最低达1.2%，大幅减少所需标样数量。该成果面向核材料处理、环境监测和工业化工的自动化远程化学监测。
机器学习筛选Ag-Au-Pd-Pt合金析氢催化剂：功函数+覆盖率校正模型预测精度达0.969
波鸿鲁尔大学与丹麦奥胡斯大学团队用扫描电化学池显微镜对三个组合多元合金薄膜库进行酸性析氢筛选，结合图神经网络发现覆盖率校正吸附模型与功函数模型均可高精度预测活性，为多组元电催化剂设计提供新描述符。
德国团队用高斯过程回归打通边界润滑多尺度建模：分子动力学直接喂给连续介质求解器
Hannes Holey、Michael Moseler、Peter Gumbsch与Lars Pastewka在arXiv发表研究，用基于高斯过程（GP）回归的非参数多尺度框架建模边界润滑：以十六烷受限金表面体系（压力至1GPa、间隙低至1.4纳米）的非平衡分子动力学模拟训练GP代理模型，直接向连续介质薄膜求解器提供应力预测，绕过固定形式的本构定律，突破受限尺度下半经验本构模型失效的困境。
锂电正极裂纹量化新工具：基础视觉模型将电镜标注成本降至种群级测量
针对锂离子电池正极老化颗粒开裂难以定量测量的瓶颈，研究团队将冻结的自监督视觉Transformer编码器与轻量可训练解码器及迭代模型辅助标注结合，把稀缺的专家标注预算转化为种群级退化测量。在三个1200万像素NMC正极截面上，该框架区分了晶内裂纹与早晚期沿晶裂纹，输出每颗粒的裂纹宽度、曲折度和面积分数分布，论文于8月27日提交arXiv。
深度学习'专家联邦'筛选无机固态电解质：层级协同框架打通成分-结构-输运多目标评估
arXiv新预印本（2608.25592）提出层级协同深度学习框架，用L-G-DCNN成分专家、DenseGNN多保真结构专家与MatterSim/DeePMD输运预评估模块串联，对无机固态电解质进行高离子电导、宽电化学窗口、电子绝缘与机械柔韧性的多目标筛选，缓解单一模型在大化学空间中因数据分布失配导致的筛选不可靠问题。
机器学习从50多万个钙钛矿结构中筛出38个光伏候选材料
研究人员开发多阶段机器学习框架，快速预测电子带隙并筛选氧化物钙钛矿的光伏应用潜力。从超过50万个候选结构出发，方法逐步收窄至38个带隙匹配的组分，等待更高精度计算与实验验证。展示了AI筛选在光伏材料发现中的落地路径。
DOSSIER化学语言模型：仅凭元素组成预测电子态密度
俄罗斯研究团队开发名为DOSSIER的化学语言模型，通过跨模态知识蒸馏从通用机器学习原子间势预训练编码器，可直接从元素化学组成预测电子态密度（DOS），无需晶体结构；在Mat2Spec基准上误差3.76 states/eV，接近最优结构感知模型的3.64，并成功筛选出已知氧还原电催化剂的高排名候选。
差分学习预测含能材料热稳定性，排序准确率超85%
美国洛斯阿拉莫斯国家实验室等机构研究者提出差分学习方法预测含能材料热稳定性：不预测绝对分解温度而训练消息传递神经网络预测分子对之间的相对差异，可降低对实验室间系统实验误差的敏感度，热稳定性排序准确率超85%，优于传统回归；键解离焓被识别为排序关键决定因素。