收录解读
这篇论文处理的是电解液设计里一个典型但很难系统解决的问题：盐–溶剂化学空间极大、配方分布长尾、结构与电导率之间高度非线性，导致传统经验筛选和常规监督模型都难以在真实化学空间里稳定泛化。作者把问题集中到非水电解液的离子电导率预测与候选发现上，目标不只是做一个更准的回归器，而是建立一个能兼顾长尾数据、全空间覆盖和可解释性的建模框架。
方法上，论文提出 SCAN，一个 dynamic routing-guided framework，用动态路由处理盐–溶剂配方的复杂组合结构，同时在解释层接入 gradient decoupling、symbolic regression 和 quantum chemistry calculation。它不仅在标准评测上把 conductivity 预测误差压到 0.372 mS cm−1，并显著优于基线，还进一步把模型推向大规模化学空间，构建了覆盖 11,515,140 个盐–溶剂体系的 conductivity atlas。
这篇值得收录，关键不只是预测精度，而是它把 AI for electrolyte chemistry 做成了完整 workflow：长尾建模、全空间枚举、候选筛选、再到机理解释与大规模验证闭环。论文还给出高导电候选的大规模验证，top-predicted candidates 的成功率达到 81.08%，说明这不是停留在离线 benchmark 上的模型改进，而是真正能够驱动材料/化学发现流程的系统。
它没有更高一级，因为它主要重构的是一个重要但相对具体的科学建模场景，即非水电解液中的盐–溶剂化学，而不是更广泛的 AI for science 基础平台。更稳的定位是高质量 breakthrough：一篇在电解液设计和可解释科学机器学习交叉处很强的 workflow 论文。