結果證明，即使在較少數據下，通過與人工智能方法結合，仍可高效地找出最佳材料組成，大幅提高材料開發速度。

迄今為止，材料的開發不得不依賴研究人員長期積累的經驗和敏銳的直覺，需要積累許多失敗的教訓才能成功。

而第一原理計算是如果指定了材料的組成，基于量子力學可以預測的特征，在實驗之前即可預測新的高功能材料的最佳組成，從而大幅減少實驗失敗次數。但是第一原理計算的負荷非常巨大，材料各種組成需要多重計算，將會花費非常長的時間。

研究小組希望通過材料模擬、實驗和人工智能密切結合，解決材料開發中的問題，使材料開發時間大幅縮短，以期更容易地發現意想不到的組成和結晶結構，造出新的高功能材料。

（圖片來源于網絡）

此次研究小組使用人工智能方法之一的貝葉斯推斷法組合，控制第一原理計算的運算次數，對全固態鋰離子電池固體電解質的三種含有鋰的氧酸鹽合成化合物進行了預測。

結果證實，該方法能在可實現的時間內，預測高鋰離子傳導率的最佳組合。同時在預測的組成附近也發現了其他組成的高鋰離子傳導率。

鋰離子傳導率是固態電解質材料重要的特征之一，是主導鋰電池充放電速度的因子。此次研究成果驗證了利用材料模擬和人工智能方法可高效開發不漏液、不起火的鋰離子電池，今后有望在電池、半導體以及磁性體等材料領域發揮巨大潛力。