三元层状正极材料具有高比容量、过渡金属组成可调及适于规模化固相制备等优势，是高能量密度锂离子电池的重要候选材料。提升充电截止电压可进一步释放其容量潜力，但深度脱锂也会加剧晶格氧失稳、过渡金属迁移、表面重构和界面副反应。体相掺杂、表面包覆以及电解液/界面工程可分别从晶格和界面层面改善材料的高压稳定性，而烧结阶段形成的初始结构及其均一性同样会影响后续相变与循环行为。因此，在晶格和界面调控的同时，如何通过调控烧结过程获得均一的初始结构，是材料合成中亟待解决的关键问题。

钠离子电池凭借钠资源储量丰富、成本低廉等优势，被认为是极具潜力的大规模电网储能体系。硬碳因具有较高的可逆比容量、优异的结构稳定性以及良好的钠化学适配性，已成为钠离子电池的主流负极材料。硬碳的储钠过程主要包括高电位斜坡区的表面缺陷吸附和低电位平台区的微孔填充两种机制。其中，低电位平台接近金属钠的氧化还原电位，是提高电池能量密度的关键。然而，传统高温退火制备的硬碳通常会形成大量缺乏离子传输通道的孤立闭孔，使其成为电化学惰性的“死孔”，不仅显著降低平台容量，还会阻碍钠离子传输，削弱其扩散动力学。现有改性策略多依赖在前驱体中引入活化剂或模板剂，存在合成流程繁琐、后续水洗工序复杂等问题，难以实现规模化生产。单纯提高碳化温度虽然能够增加闭孔体积，但同时会导致碳骨架致密化收缩及离子通道封堵，造成容量与动力学性能难以兼顾。因此，如何对硬碳进行简洁有效可扩展的结构调控提升储钠性能，实现“高平台容量-快速动力学-高初始库仑效率”等综合性能，仍是硬碳负极走向高能量密度钠离子电池的核心科学与工程问题。

随着便携式电子设备和电动汽车等领域的迅速发展，迫切需要研发新一代具有高理论比容量和优秀循环稳定性的负极材料。硅基负极以其较高的比容量（1400~4000 mAh g-1），合适的工作电压（< 0.4 VvsLi/Li+）和丰富的储量等优点被认为是最有希望在未来代替石墨负极的材料。然而硅基负极在嵌锂/脱锂过程中伴随着巨大的体积变化（130~300%），电极内部颗粒会被机械应力粉化，传统电解液分解形成的固体电解质界面相（SEI）不能适应循环过程中的体积效应而破碎，不断发生破裂和反复生长，最终造成电池容量迅速衰减。

水系电池凭借其水基电解液的本征阻燃特性，在安全储能领域展现出巨大的应用潜能。以铅酸及镍氢为代表的传统水系电池虽已广泛应用于汽车启动与民用电子设备，但其受限于极低的储能密度。当前，大规模储能普遍采用以磷酸铁锂为正极的商用锂离子电池，尽管其能量密度得到显著跃升，但有机电解液的易燃属性使其面临严峻的安全隐患。因此，开发兼具高能量密度、长循环寿命及本征安全性的新型水系电池，已成为破解现代储能技术瓶颈的重大前沿课题。

钴酸锂（LiCoO2）凭借较高的体积能量密度和成熟的产业基础，广泛应用于消费电子领域。提高充电截止电压可进一步提升其容量，但当截止电压升至4.55 V以上时，深度脱锂易引发相变、晶格氧活化与流失、Co溶出及电解液分解等问题，导致循环稳定性下降。

锂离子电池技术从电化学原理上依赖于正负极材料的电子得失和锂离子脱嵌。目前对于正负极材料的研究主要集中于材料在电化学脱嵌锂过程中的结构变化，而忽略了由过渡金属或晶格氧的氧化还原带来的材料磁性和电子自旋的变化。而这些磁性行为的变化、电子自旋的变化，直接和材料的电子结构相关，会影响材料的价态导带位置及电子导电性，并和材料的相结构演化同步进行，最终影响材料的电化学性能。因此，建立电极材料在脱嵌锂过程中的磁行为和电子自旋的演化规律，并和材料的宏观晶格结构演化关联起来，有可能从底层电子结构角度深入理解材料的电化学机制，为下一代高性能电池的电极材料设计提供指导

近年来，人工智能驱动材料发现已成为国际材料科学的重要发展方向，而如何实现材料结构的高效表征与可解释学习，则是其中最核心的科学问题之一。北京大学深圳研究生院新材料学院潘锋教授团队长期致力于图论结构化学、代数拓扑与人工智能材料设计研究，围绕材料结构数学表征与智能发现建立了一系列原创方法体系。团队先后发展了基于代数图论与自监督学习的分子表征框架，实现小样本条件下有机分子性质的高精度预测（Nat. Commun. 2021, 12, 3521）；建立了基于有向图与路径同调的结构化学理论，实现对构型异构体、手性分子、高熵合金催化剂等复杂体系的数学表征（J. Phys. Chem. Lett. 2023, 14, 954）；提出多尺度拓扑学习（Multiscale Topological Learning, MTL）框架，成功发现多种潜在高性能锂快离子导体材料（J. Am. Chem. Soc. 2025147, 20888）；进一步发展持续GLMY同调（Persistent GLMY Homology）与生成模型相结合的催化材料逆向设计方法，实现高性能催化活性位点的智能生成与预测（npj Comput. Mater. 2025, 11, 147），以及基于这些基础研究编著了《人工智能材料学-AI4M》。上述研究逐步构建起“图论结构化学—拓扑学习—人工智能材料设计”的完整研究体系，为拓扑学方法在材料科学中的应用奠定了重要基础。

金属有机框架（MOFs）因结构可调、应用广泛而备受关注，X射线衍射技术在材料表征领域的应用也已经比较成熟，但在高通量实验与自驱动实验室场景中，如何高效解析MOF材料的粉末X射线衍射（PXRD）数据，并据此预测晶体结构仍困扰着研究人员。北京大学深圳研究生院新材料学院潘锋教授团队致力于图论结构化学、AI4S和材料基因组学的研究，成功使用人工智能解析XRD，创新性地提出了一种基于扩散模型的生成式人工智能框架Xrd2Mof。该模型以PXRD图谱、金属节点和有机配体信息为输入，以MOF结构为输出，并首次将粗粒度化表示引入该任务中，用于提取与衍射最相关的骨架几何特征，从而保留关键“材料基因”信息。相关成果以“Interpreting X-ray Diffraction Patterns of Metal–Organic Frameworks via Generative Artificial Intelligence”为题，发表于《美国化学学会杂志》（JACS, 2026, 148, 1, 869–878）。

钴酸锂（LiCoO2，LCO）是目前手机等3C锂电池最主要的正极材料。产业需求在高截止电压下，实现高能量密度锂离子电池的同时能保持循环稳定性，但要实现高电压稳定运行，其界面化学的稳定性是基石。然而，在高压工况下，源自材料表面钴/氧（Co/O）催化位点的有害副反应难以遏制，这会引发碳酸乙烯酯（EC）溶剂的持续氧化分解、六氟磷酸锂（LiPF6）的水解，并最终导致LCO颗粒表面的结构退化。这些连锁反应严重制约了高能量密度钴酸锂电池的实际使用寿命与安全性。