在人工智能驱动材料设计迅速发展的背景下，如何以科学、可解释且高效的方式从复杂材料结构中提取关键特征，已成为实现智能材料发现的核心挑战。拓扑结构化学作为一种将材料微观结构映射为数学拓扑模型的研究方法，近年来在材料基因组工程、催化活性探索以及能量材料设计等领域，展现出强大的结构表征与性质预测能力。北京大学深圳研究生院新材料学院潘锋教授团队近年来致力于图论/拓扑数据分析方法及其在结构特征提取中的拓展与应用，在该领域取得了一系列创新性成果，包括材料结构的拓扑表示（J. Phys. Chem. Lett., 2023, 14: 954）、材料反向设计（npj Comput. Mater., 2025, 11: 147）、新型固态电解质设计（J. Am. Chem. Soc., 2024, 146, 18535; J. Am. Chem. Soc., 2025, 147, 24）、化学反应路径搜索（CCS Chemistry, 2024, 7, 1）以及催化活性相搜索（Nat. Commun., 2025, 16, 2542）。这些研究系统建立了从拓扑结构表示到性质预测，再到功能材料设计的全链条研究框架，为结构化学与人工智能的深度融合奠定了坚实的理论与方法基础。