先進儲能電池是可再生能源高效利用的核心支撐，而電解質作為電池關鍵組分，直接決定其能量密度、安全性與耐用性。傳統(tǒng)電解質研發(fā)依賴大量實驗試錯與計算化學模擬，但其龐大化學空間、復雜界面反應機制，以及理論模型與實際實驗的鴻溝，導致研發(fā)周期長、成本高昂。

近年來，人工智能（AI）技術在材料科學與電池研發(fā)中的應用快速發(fā)展，為加速電解質設計與開發(fā)提供了新的方法。近日，復旦大學晁棟梁教授團隊在《科學通報》發(fā)表題為“人工智能加速電解質設計與開發(fā)”的評述文章，聚焦AI在電解質設計領域的應用，梳理AI在材料篩選、機理探索中的實踐，剖析AI與電解質研發(fā)結合在數(shù)據(jù)與算法層面的現(xiàn)存挑戰(zhàn)，并展望交叉學科驅動的技術革新方向。

作為科學研究第四范式，人工智能技術憑借數(shù)據(jù)驅動建模能力，為突破電解質研發(fā)瓶頸提供了新路徑。人工智能技術通常以數(shù)據(jù)為基礎，通過機器學習算法對系統(tǒng)內部復雜機制進行建模，從而建立起輸入特征與輸出性質之間的數(shù)學關系。電解質數(shù)據(jù)以組分-物性-性能的研發(fā)鏈條為核心，涉及到材料組成、組分配比、電解質物性以及電化學性能，來源包括文獻數(shù)據(jù)、高通量實驗及理論計算等（圖1）。采用可靠的電解質數(shù)據(jù)，結合不同的研究目的采取適配的AI算法，最終能夠實現(xiàn)電解質AI智能開發(fā)。

圖1 電解質數(shù)據(jù)與人工智能技術。(a) 電解質數(shù)據(jù)從組分到物性和性能的基本組成。 (b) 人工智能技術主要采用的典型機器學習算法及其與數(shù)據(jù)量、模型復雜度的關系

電解質主要包括液態(tài)和固態(tài)電解質，其材料組成、配方工藝、性能測試以及研究目標等方面具有不同的特性，因此基于數(shù)據(jù)和算法的AI研究方式也有所不同。本文針對液態(tài)（圖2）和固態(tài)電解質（圖3）在分子結構和材料組分篩選、配方設計和工藝優(yōu)化、界面行為及機制解析等方面的應用進展進行了全面綜述，涉及實驗及文獻數(shù)據(jù)利用、分子及配方表示、深度學習算法架構、機器學習分子動力學乃至自動化高通量實驗等技術，闡述基于實驗與計算數(shù)據(jù)庫，利用機器學習算法構建電解質構效關系模型、探索電極-電解質界面作用機制、加速液態(tài)與固態(tài)電解質新材料開發(fā)的核心策略。

圖2 AI篩選液態(tài)電解質配方。(a)以電解液整體化學組成為特征、庫侖效率的對數(shù)形式作為標簽進行機器學習建模, 結合特征重要性篩選關鍵溶劑進行性能驗證。(b) 圖卷積網(wǎng)絡生成分子特征結合配方百分比形成配方描述符的電池性能預測網(wǎng)絡。(c) 以Uni-Mol為底層預訓練分子表示的多層次表示學習架構

圖3 AI篩選固態(tài)電解質組分。(a)分子結構的消息傳遞網(wǎng)絡連接阿倫尼烏斯方程參數(shù)生成離子電導率預測。(b) 以元素位點構建Hofmann復合物數(shù)據(jù)庫, 結合擴散勢壘計算和聚類發(fā)現(xiàn)快速導電的復合物組成。(c) 固態(tài)鋰離子導體的層次聚類

本文深入分析電解質AI研發(fā)這一交叉領域面臨的關鍵挑戰(zhàn)：實驗數(shù)據(jù)稀缺且質量不均，理論計算數(shù)據(jù)與實際性能存在偏差、經典算法易陷入局部最優(yōu)、分子特征表征精度不足、大模型面臨領域知識匱乏、推理幻覺等問題，并提出通過高通量實驗擴充優(yōu)質數(shù)據(jù)庫，結合貝葉斯優(yōu)化、主動學習以及強化學習等先進算法，構建電池電解質領域垂直大模型，并結合自動化實驗平臺，實現(xiàn)“AI設計-實驗驗證”的閉環(huán)研發(fā)模式（圖4）。展望未來，隨著人工智能在各領域的全方位落地，將人工智能與材料能源化學深度融合，將推動儲能技術實現(xiàn)顛覆性變革，助力綠色可持續(xù)能源系統(tǒng)建設。

圖4 人工智能以數(shù)據(jù)為基礎，算法做工具，加速從電解質組分、整體構成、制備工藝到實際性能的開發(fā)

文章信息

李高陽, 劉欣, 晁棟梁*. 人工智能加速電解質設計與開發(fā). 科學通報, 2026

doi: 10.1360/CSB-2025-5757

轉載、投稿請留言

| 關注科學通報 | 了解科學前沿