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。

尽管锂电池硅负极具有极高的理论比容量，但其在锂电池循环过程中产生的剧烈体积变化会严重破坏导电网络与粘结网络，导致结构失稳与电接触失效。因而迫切需要构建兼具力学韧性与形变自适应能力且具备良好电子传导性能的粘结体系。多年来，北京大学深圳研究生院新材料学院潘锋课题组基于团队自主创建的图论结构化学深耕硅基负极导电粘结剂的开发，2017年报道了一种新型水系导电粘结剂PF-COONa（Nano Energy, 2017, 36, 206-212和ACS Applied Materials & Interfaces, 2018, 10(2), 1672-1677）；紧接着开发了通过n型掺杂增强电荷转移能力的共聚物PFPQ-COONa（ACS Applied Materials & Interfaces, 2018, 10(33), 27795-27800）；基于粘结剂设计开发了交联型导电粘结剂CCB（Small, 2021, 17(42), 2102256）与仿生导电粘结剂PFPQDA（Small Methods, 2022, 6(5), 2101591）；基于上述研究进展，团队系统建立了粘结剂材料基因的结构基元与其性质之间的相关性，总结了优化策略，提出了高性能导电粘结剂的设计原则（Acc. Chem. Res., 2022, 55(15), 2088-2102）；基于此设计原则，借助硫醇-烯点击反应开发了原位共价交联的弹性电子/锂离子导电粘结剂（Matter, 2025,8, 101952)；利用碳纳米管表面接枝导电聚合物，设计制备了新型复合导电粘结剂PCNT（Energy Storage Materials, 2025, 78, 104255）。

电催化是实现可持续能源转化、减碳减排的关键技术。电催化硝酸盐还原反应（NO₃RR）为污染水体中硝酸盐资源化利用和绿色合成氨提供了重要路径，但其反应过程涉及多步质子–电子转移以及多种短寿命含氮中间体，界面微观机制长期缺乏分子层面的直接证据。特别是关键中间体如何在强负电位界面被稳定、又如何进一步加氢生成氨，是限制NO₃RR催化剂理性设计的核心问题。

胶黏剂是现代制造业的“看不见的骨架”：胶合板、刨花板等人造板工业长期依赖以脲醛/酚醛树脂为代表的石油基甲醛胶黏剂体系。据行业统计口径，全球此类甲醛系胶黏剂年消耗量在亿级吨规模，在生产与使用环节持续释放挥发性有机物（VOCs）与甲醛，带来突出的环境与健康隐患。以大豆蛋白、木质素等可再生资源为来源的生物质胶黏剂被视为重要替代路线，但其产业化长期受限于两大痛点：力学强度/耐水性与绿色可持续性难以兼得——传统“加法”思路（化学改性、外加交联剂、纳米填料等）往往重新引入合成助剂，牺牲了“全生物基、闭环无毒”的可持续初衷。

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。