台科大發布新聞稿，介紹此一成果。吳亮廷在教授江志強指導下，結合AI與第一原理熱力學計算，建立此一「鈉離子電池層狀氧化物正極材料結構預測模型」，研究成果已發表於國際能源材料頂尖期刊《Advanced Energy Materials》。
台科大說明，近年再生能源快速發展，如何建構安全、低成本且高效率的儲能系統，成為全球能源轉型的重要課題，目前廣泛應用的鋰離子電池雖然性能成熟，但鋰資源成本及供應限制，使鈉離子電池逐漸受到重視。
台科大說，由於鈉資源豐富、價格低廉，因此被視為下一世代儲能技術的重要方向，然而，鈉離子電池正極材料的設計仍面臨挑戰，其中材料最終形成的晶體結構，將直接影響電池容量、循環壽命及鈉離子傳輸效率。
吳亮廷表示，鈉離子電池常見的層狀氧化物正極材料主要形成P2或O3兩種堆疊結構，各自具有不同特性，P2結構通常具有較佳的鈉離子傳導能力，而O3結構則具備較高初始容量，因此，如何在材料合成前預測最終會形成哪種結構，是材料設計的重要課題，過去研究多仰賴較簡單的線性模型進行判斷，但面對組成複雜的新材料時，預測能力仍有限。
為提升預測準確性，研究團隊整理270種已由實驗驗證的層狀氧化物材料資料，建立完整資料庫，並萃取鈉濃度、過渡金屬離子勢、離子半徑、游離能、混合熵等關鍵材料特徵，比較多種機器學習模型的預測能力。
結果顯示，深度神經網路能有效學習不同材料特徵間複雜的非線性關係，在未參與訓練的測試資料中，預測準確率約達96%，進一步以近年文獻中的80種新材料驗證，仍維持相近的預測能力，展現模型良好的可靠性與應用潛力。
台科大指出，除了建立高準確率的預測模型外，研究更進一步揭示影響材料結構形成的重要機制。
團隊發現，過渡金屬離子勢、鈉含量及過渡金屬混合熵，是影響材料形成P2或O3結構的三項關鍵因素。其中，過渡金屬混合熵代表材料中不同金屬元素的多樣性及組成均勻程度。研究也指出，較高的混合熵有助於穩定O3結構，為未來透過元素設計開發新型電池材料提供新的研究方向。
值得一提的是，台科大強調，此研究並非僅利用AI進行資料分析，而是進一步結合靜電分析、密度泛函理論（DFT）、蒙地卡羅模擬及熱力學分析等方法，從原子尺度驗證機器學習找到的規律。
研究證實，鈉離子與過渡金屬、鈉離子彼此間的交互作用，以及材料的混合熵效應，確實會影響材料結構穩定性，使AI預測結果具備扎實的物理與化學基礎，而非僅止於統計相關性。
