高通量计算筛选和机器学习在探索各种化学成分和发现新型无机固体方面具有巨大潜力。然而，点缺陷的复杂性是一项重大挑战，即点缺陷发生在所有无机固体中，通常对其功能性和合成性至关重要。在这里，九州大学Yoshihiro Yamazaki、日本精细陶瓷中心Akihide Kuwabara提出了一种经过缺陷化学训练、可解释的机器学习方法，旨在加速非常规质子传导无机固体电解质的探索和发现。

本文要点：

1) 通过考虑掺杂剂溶解和水合反应，作者提出的机器学习模型能为具有各种结构水合能力的主体-掺杂剂组合提供定量预测和物理解释。利用这些见解，作者在前两次合成试验中发现了两种非常规质子导体，即Pb掺杂的Bi₁₂SiO₂₀硅长岩和Sr掺杂的Bi₄Ge₃O₁₂。

2) 此外，Pb掺杂的Bi₁₂SiO₂₀是一种质子传导电解质，其仅由第14族和第15族阳离子组成，并具有硅长岩结构，以及其沿着BiO₅网络表现出独特而快速的3D质子传导性质。

参考电竞投注官网 ：

Susumu Fujii et.al Discovery of Unconventional Proton-Conducting Inorganic Solids via Defect-Chemistry-Trained, Interpretable Machine Learning Adv. Energy Mater. 2023

DOI: 10.1002/aenm.202301892

https://doi.org/10.1002/aenm.202301892