【研究背景】
在全球對清潔能源需求持續激增的背景下，可再生能源技術正逐步成為解決能源危機與緩解氣候變化的重要手段。其中，鋰離子電池因其高能量密度與長壽命，已廣泛應用于電動汽車、便攜電子設備和儲能系統。然而，傳統鋰離子電池的安全性問題和能量密度瓶頸限制了其進一步發展，亟需更先進、更安全的儲能技術方案。全固態電池（ASSB）由于采用固態電解質，不僅顯著提高了電池安全性，還有效抑制了鋰枝晶的形成，展現出更高的電壓與能量密度優勢，逐漸成為下一代高能量密度電池技術的重要發展方向。然而，固態電池的商業化應用仍面臨電解質性能不足與界面兼容性等諸多挑戰。
【成果簡介】
近日，上海交通大學萬佳雨教授團隊及合作者開發了一款名為ChatSSB的智能化、個性化科研助手。該系統基于大語言模型（LLM）與檢索增強生成（RAG）框架，集成了實時更新的前沿文獻庫以及專家知識庫，通過動態用戶反饋機制不斷優化自身性能，提供精準可靠的學術問答、數據收集與自動可視化服務。本研究成果近期發表于國際著名期刊《ACS Materials Letters》，題目為“Intelligent, Personalized Scientific Assistant via Large Language Models for Solid-State Battery Research”，旨在解決全固態電池研究領域文獻激增帶來的信息獲取與整合難題。
【內容詳情】
圖1. 全固態電池（ASSB）領域的挑戰及ChatSSB智能科研支持框架的整體概述。
當前全固態電池研究領域所面臨著眾多挑戰，同時為了應對全固態電池領域文獻爆炸式增長帶來的信息獲取難題，我們設計了名為ChatSSB的智能科研助手平臺。該平臺結合了大語言模型（LLM）與檢索增強生成技術（RAG），利用“雙庫”架構，即覆蓋最新研究成果的文獻數據庫和融合專家反饋的專業知識庫，從而確保信息提取的實時性與精準性。此外，ChatSSB還配備了用戶反饋機制，能夠動態優化系統表現，不斷提升問答質量與可靠性。
圖2. ChatSSB的具體工作流程—利用RAG框架降低模型幻覺與實現高效的數據收集及可視化 （a）基于RAG架構的幻覺抑制機制 （b）數據收集與可視化流程。
圖2向我們具體展示了ChatSSB是如何在實際科研過程中發揮作用的。我們知道，大語言模型雖然強大，但有時會“憑空捏造”一些不夠準確的信息，這種現象被稱作“幻覺”（hallucination）。為了克服這個難題，我們引入了一種叫做RAG（檢索增強生成）的架構（圖2a）。具體而言，當研究者向ChatSSB提出專業問題后，系統不會直接依靠自身的“記憶”，而是主動從兩個權威來源獲取信息：一方面從最新文獻庫中實時調取相關實驗數據和技術細節，另一方面則結合專家們在領域內積累的專業知識與經驗。這種“雙保險”的方法確保了系統回答的內容準確且經得起推敲，顯著降低了模型幻覺的可能性。
除此之外，科研人員往往需要耗費大量時間在整理實驗數據、繪制圖表上，這無疑分散了他們對核心問題的注意力。為此，ChatSSB設計了一套智能化的數據自動處理和可視化流程（圖2b）。研究者只需簡單告訴系統需要什么數據和圖表，ChatSSB就能自動從文獻數據庫提取、整理數據并生成對應的Python代碼，從而快速繪制出清晰的圖表。這不僅大幅提升了數據分析的效率，還幫助研究者把精力更多地集中在創新性的分析與科學發現上。
圖3. ChatSSB在全固態電池（ASSB）研究中的性能展示。(a) ChatSSB在ASSB研究中的高級問答能力以及專家反饋的展示。(b) 基于準確性、信息完整性與實用性三個維度的綜合評分，對比ChatSSB與其他模型的表現。
通過具體的問答場景，生動地展示了ChatSSB在全固態電池研究中如何發揮出“智能專家”的優勢。當研究人員提出具體的技術問題時，例如詢問“哪些摻雜元素能夠有效提升LLZO固態電解質的離子導電率和穩定性”，ChatSSB不只是簡單地列出一些文獻中的數據，而是將文獻中已有的摻雜元素效果與專家知識庫中的專業建議融合在一起，給出詳細、精準并且有邏輯支撐的回答。此外，當研究人員進一步追問“在單元素摻雜的基礎上，能否推薦一些有效的協同摻雜策略”時，系統還能結合先前的問答歷史，給出深入、完整且切合實際的方案建議。這種多輪問答的交互過程充分體現了ChatSSB不僅能完成基本的知識檢索，更能實現類似人類專家的分析與推理。另一方面，在圖3(b)中，我們直觀地對比了ChatSSB與目前主流的其他先進模型（GPT-4O與DeepSeek-R1）的綜合表現。充分說明了ChatSSB的優勢不僅體現在信息檢索的精準度上，更重要的是，它在復雜的實際科研問題中表現出很強的綜合分析與推理能力，真正為研究人員提供了可依賴的智能科研助手。
圖4. 利用ChatSSB實現的數據可視化：LLZO固態電解質離子電導率趨勢分析。(a) ChatSSB自動生成的LLZO材料合成信息表格；(b) 鋰含量與摻雜元素對LLZO離子電導率的影響規律；(c) 基于ChatSSB數據庫提取的不同摻雜策略下LLZO電解質最高離子電導率的對比圖。
圖4完整地呈現了ChatSSB在科研數據處理和可視化方面的實際能力，特別是針對LLZO這種在全固態電池研究中廣泛應用的電解質材料。圖4(a)展示的是一份由ChatSSB自動生成的合成信息表格。研究者只需輸入一句自然語言請求，例如“請列出不同LLZO配方的合成方法和對應的離子電導率”，系統便能從海量文獻中提取出各類LLZO材料的化學式、使用的前驅體、具體的合成參數（如溫度、氣氛）以及實驗測得的離子電導率，匯總成結構清晰、可直接使用的表格。這極大減少了傳統文獻整理所耗費的時間和精力。接下來在圖4(b)，這些數據被進一步轉化為直觀的圖像。我們可以看到不同鋰含量和摻雜元素（如Al、Ga等）對LLZO離子電導率的影響趨勢。借助這一圖形，研究者能夠快速識別出影響導電性能的關鍵變量，比如鋰含量的變化帶來的提升或抑制效應，以及某些摻雜元素在特定條件下的優勢。最后，圖4(c)則進一步聚焦于“最優摻雜策略”的比較。ChatSSB通過專家知識庫中的結構化數據，提取出不同摻雜元素下LLZO的最高離子電導率用于輔助畫圖。例如，它揭示了Ga摻雜策略在現有研究中表現最優，電導率達到2.06 mS/cm。這種可視化對比幫助研究人員快速鎖定值得重點驗證和進一步研究的方向。
圖5. ChatSSB 在學術界和工業界的未來前景。
展望未來，ChatSSB的模塊化架構與可擴展接口不僅可遷移至生物材料、先進制造等多學科領域，還可與實驗硬件與生產線系統深度聯動，打造“AI驅動、實時反饋”的閉環實驗與產業化流程。在科研端，它將持續優化數據檢索與知識生成的精度；在產業端，它將助力ASSB規模化生產的質量控制與工藝優化，為智能化材料研發與制造開啟全新篇章。
鋰電聯盟會長向各大團隊誠心約稿，課題組最新成果、方向總結、推廣等皆可投稿，請聯系：郵箱libatteryalliance@163.com或微信Ydnxke。
