近年来，富镍层状正极材料因其高能量密度和低成本备受关注。然而，锂镍反位缺陷在材料合成和循环工作的过程中会不可避免地出现，对锂离子电池性能有着重要影响。前人的大量研究工作通过引入掺杂元素来调节锂镍反位缺陷的程度，但由于实验方法和材料体系的复杂多样，即使对于相同的掺杂元素也会得出相反的结论，因此在一致条件下系统探究掺杂元素对锂镍反位缺陷的影响具有重要意义。然而，掺杂对体系的影响因素十分复杂，难以直接分析，适用于探索复杂高维信息机器学习算法是解决这一问题的有力工具。
近日，北京大学郑家新课题组在Journal of Physical Chemistry Letters期刊上发表题为“Interpretable Machine Learning to Accelerate the Analysis of Doping Effect on Li/Ni exchange in Ni-rich Layered Oxide Cathodes”的封面论文（DOI：10.1021/acs.jpclett.3c03294）。该研究基于第一性原理计算，得到高镍层状正极材料LiNi0.8Mn0.1X0.1O2中不同掺杂元素X下的锂镍反位缺陷形成能，采用结合随机森林（RF）模型和SHAP分析的可解释机器学习方法，以加速确定掺杂引入的复杂变量中影响锂镍范围缺陷的关键因素。
该工作发现，在电子结构的方面，掺杂元素的价态可以显著改变镍的价态以及体系超交换相互作用的强度，从而来调节锂镍反位缺陷产生的难易，同时提出了可供评估超交换相互作用强度的两个指标
（反位局部构型中晶体轨道重叠布居积分自旋向上与向下的差值）和
（反位局部构型中氧的磁矩）。另一方面，缺陷形成带来的晶体结构变化也影响着锂镍反位缺陷的形成难易，剧烈的体积变化使得锂镍反位缺陷更难形成。
该工作还提出了结合SHAP分析的可解释RF模型的方法，使用该方法时需要提供尽可能多与特定系统相关的具有物理意义的特征，并通过线性分析在模型中移除线性相关的冗余特征，来获得更好的拟合效果和可解释性。这一方法有助于更快速地分析掺杂对材料性能的影响，突破了传统实验和理论分析方法的限制，为材料的优化和研究提供了新的思路。
北京大学博士生贾怡宁和硕士生张瑞琪为论文共同第一作者，北京大学深圳研究生院郑家新副教授为该论文的通讯作者。该研究得到了国家自然科学基金和深圳市科技研究基金的支持。
