研究内容

团队负责人主要从事能源材料与半导体材料计算模拟方法研究，利用机器学习势函数加速材料计算和自主设计，并与北京大学鄂维南院士、剑桥大学Gabor Csányi教授、牛津大学Volker Deringer教授、瑞士洛桑联邦理工学院Michele Ceriotti教授等国际团队开展实质性合作。

项目面向新能源、大规模储能和半导体等重点领域，建设智能材料计算平台，开展原子尺度模拟，构建高精度通用数据库，发展数据分析与人工智能方法，实现材料筛选、优化设计和实验制备指导。重点开展以下工作：

1.建设智能材料计算平台。**开发模块化计算软件和自由能计算工作流，构建通用机器学习势函数，实现复杂电解液密度、黏度、扩散系数、析氢电位等性质的高通量预测，并筛选具有高溶解度和适宜氧化还原电位的液流电池电解液。

2.构建新能源与半导体材料数据库。**面向固体电解质、硅碳负极、宽禁带及光电半导体材料，结合高精度机器学习势函数和高效构象采样方法，建立物性与反应数据库；研究界面反应机制和关键控制步骤，指导材料制备和器件性能优化。

3.发展数据驱动的材料设计方法。**利用可解释算法分析材料结构、元素组分与稳定性、热力学及动力学性质之间的关系，从实验和计算数据中提取规律，优化薄膜制备流程；结合高通量材料基因组技术，开发面向光电探测、可穿戴电子器件和忆阻器的新型半导体材料与器件。

4.建立AI电化学多模态表征模型。**融合微观结构模拟与多种高精度谱学数据，利用机器学习自动建立谱学信号与界面结构、物理化学性质之间的关联，形成“检测—解析—控制”闭环，实现少量实验数据条件下的电池运行状态预测，并构建适用于正极材料及其界面的AI谱学模型。

项目将贯通计算平台、标准数据库、人工智能算法与实验验证，加快材料研发流程，服务新能源和半导体关键需求，推动材料计算与化学反应模拟向实际应用转化。

研究成果

1.团队面向接力催化路径高效设计难题，构建了融合大语言模型（LLM）与催化知识图谱（Cat-KG）的智能推荐方法。该方法通过自动收集、结构化处理反应数据并引入专家筛选规则，可在数分钟内生成可靠、可追溯的多步催化路径。相关成果被《National Science Review》接收。

2.团队发展了基于自由能计算的第一性原理分子动力学方法，并拓展至复杂电化学界面研究。提出ec-MLP框架，协同描述电解液分子的局域极化与金属电极的非局域电子响应，为真实电化学界面模拟提供新工具，成果发表于《Physical Review Letters》135, 018003（2025）。

3.团队构建了电池观测指标与健康状态之间的数据驱动映射模型，与中国电科院、科华数据合作，实现电池健康状态估测及放电过程中剩余容量的实时预测。未来将研究可重构电池网络，发展低复杂度、高精度的状态分析和拓扑重构方法，服务电池梯次利用。

4.团队发展复杂电化学界面的AI理论谱学模型，形成谱学算法、自动化数据库和谱构关系模型相结合的研究体系。开发的NMRNet实现气、液、固态核磁谱统一预测，发表于《Nature Computational Science》5, 292–300（2025）；同时利用机器学习揭示浓度变化导致的⁷Li核磁化学位移反转及其动态溶剂化机制，成果发表于《JACS》147, 14667–14676（2025）。

5.团队建设半导体薄膜生长、结构及电子结构数据库，结合MBE、PLD、高通量计算和机器学习指导材料制备。围绕In₂O₃、Ga₂O₃等宽禁带氧化物，研究缺陷、掺杂、界面和能带调控机制，已获得高迁移率薄膜、界面二维电子气及新型P型氧化物半导体。后续将完善材料数据库与智能分析方法，优化实验流程，揭示材料—器件构效关系。  

招生要求

团队对拟招收学生的专业范围、能力要求

面向化学、物理化学、材料、能源、计算机、软件工程、人工智能等相关专业招收研究生。欢迎具备扎实数理与专业基础、对材料计算与人工智能交叉研究有浓厚兴趣的学生；具有Python等编程基础、计算模拟或机器学习经验者优先。要求具有较强的自主学习、科研实践、沟通协作和英文文献阅读能力，能够参与计算自动化、数据平台及跨学科项目建设。

招生联系老师及联系邮箱：wangqi1102@xmu.edu.cn