先進(jìn)儲能電池是可再生能源高效利用的核心支撐，而電解質(zhì)作為電池關(guān)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(zhì)研發(fā)依賴大量實驗試錯與計算化學(xué)模擬，但其龐大化學(xué)空間、復(fù)雜界面反應(yīng)機制，以及理論模型與實際實驗的鴻溝，導(dǎo)致研發(fā)周期長、成本高昂。

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

作為科學(xué)研究第四范式，人工智能技術(shù)憑借數(shù)據(jù)驅(qū)動建模能力，為突破電解質(zhì)研發(fā)瓶頸提供了新路徑。人工智能技術(shù)通常以數(shù)據(jù)為基礎(chǔ)，通過機器學(xué)習(xí)算法對系統(tǒng)內(nèi)部復(fù)雜機制進(jìn)行建模，從而建立起輸入特征與輸出性質(zhì)之間的數(shù)學(xué)關(guān)系。電解質(zhì)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(zhì)物性以及電化學(xué)性能，來源包括文獻(xiàn)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(zhì)數(shù)據(jù)，結(jié)合不同的研究目的采取適配的AI算法，最終能夠?qū)崿F(xiàn)電解質(zhì)AI智能開發(fā)。

圖1 電解質(zhì)數(shù)據(jù)與人工智能技術(shù)。(a) 電解質(zhì)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(shù)主要采用的典型機器學(xué)習(xí)算法及其與數(shù)據(jù)量、模型復(fù)雜度的關(guān)系

電解質(zhì)主要包括液態(tài)和固態(tài)電解質(zhì)，其材料組成、配方工藝、性能測試以及研究目標(biāo)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(zhì)（圖3）在分子結(jié)構(gòu)和材料組分篩選、配方設(shè)計和工藝優(yōu)化、界面行為及機制解析等方面的應(yīng)用進(jìn)展進(jìn)行了全面綜述，涉及實驗及文獻(xiàn)數(shù)據(jù)利用、分子及配方表示、深度學(xué)習(xí)算法架構(gòu)、機器學(xué)習(xí)分子動力學(xué)乃至自動化高通量實驗等技術(shù)，闡述基于實驗與計算數(shù)據(jù)庫，利用機器學(xué)習(xí)算法構(gòu)建電解質(zhì)構(gòu)效關(guān)系模型、探索電極-電解質(zhì)界面作用機制、加速液態(tài)與固態(tài)電解質(zhì)新材料開發(fā)的核心策略。

圖2 AI篩選液態(tài)電解質(zhì)配方。(a)以電解液整體化學(xué)組成為特征、庫侖效率的對數(shù)形式作為標(biāo)簽進(jìn)行機器學(xué)習(xí)建模, 結(jié)合特征重要性篩選關(guān)鍵溶劑進(jìn)行性能驗證。(b) 圖卷積網(wǎng)絡(luò)生成分子特征結(jié)合配方百分比形成配方描述符的電池性能預(yù)測網(wǎng)絡(luò)。(c) 以Uni-Mol為底層預(yù)訓(xùn)練分子表示的多層次表示學(xué)習(xí)架構(gòu)

圖3 AI篩選固態(tài)電解質(zhì)組分。(a)分子結(jié)構(gòu)的消息傳遞網(wǎng)絡(luò)連接阿倫尼烏斯方程參數(shù)生成離子電導(dǎo)率預(yù)測。(b) 以元素位點構(gòu)建Hofmann復(fù)合物數(shù)據(jù)庫, 結(jié)合擴散勢壘計算和聚類發(fā)現(xiàn)快速導(dǎo)電的復(fù)合物組成。(c) 固態(tài)鋰離子導(dǎo)體的層次聚類

本文深入分析電解質(zhì)AI研發(fā)這一交叉領(lǐng)域面臨的關(guān)鍵挑戰(zhàn)：實驗數(shù)據(jù)稀缺且質(zhì)量不均，理論計算數(shù)據(jù)與實際性能存在偏差、經(jīng)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(lǐng)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(zhì)數(shù)據(jù)庫，結(jié)合貝葉斯優(yōu)化、主動學(xué)習(xí)以及強化學(xué)習(xí)等先進(jìn)算法，構(gòu)建電池電解質(zhì)領(lǐng)域垂直大模型，并結(jié)合自動化實驗平臺，實現(xiàn)“AI設(shè)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(lǐng)域的全方位落地，將人工智能與材料能源化學(xué)深度融合，將推動儲能技術(shù)實現(xiàn)顛覆性變革，助力綠色可持續(xù)能源系統(tǒng)建設(shè)。

圖4 人工智能以數(shù)據(jù)為基礎(chǔ)，算法做工具，加速從電解質(zhì)組分、整體構(gòu)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(zhì)設(shè)計與開發(fā). 科學(xué)通報, 2026

doi: 10.1360/CSB-2025-5757

轉(zhuǎn)載、投稿請留言

| 關(guān)注科學(xué)通報 | 了解科學(xué)前沿