电解液创新突破：AI技术助力锂离子电池性能飞跃

液态电解液作为锂离子电池及下一代锂金属电池的“血液”，其性能直接决定了电池的离子传输速率、界面阻抗以及长期循环的电化学稳定性。然而，传统的电解液研发往往依赖于昂贵且耗时的“试错法”。面对由多种溶剂、锂盐以及不同摩尔比组合而成的海量化学空间，如何高效地筛选并设计出满足特定性能指标（如高电导率、高库伦效率）的配方，是行业亟待解决的难题。

针对这一挑战，本文提出了一种融合了前向预测模型与反向生成方法的统一框架。该框架利用涵盖单分子到分子混合物的多源数据（包括文献实验数据和大规模分子动力学模拟数据），不仅实现了对电解液性质的精准预测，更开创性地利用生成式 AI 进行目标导向的配方反向设计。

“物理感知”的通用预测模型

Millennial Lithium

该研究首先构建了一个高精度的前向预测模型，旨在解决电解液性质预测中数据稀缺和物理约束缺失的问题。该模型的训练过程分为三个阶段：

分子预训练：利用图神经网络 (GNN)对超过 24 万个单分子数据进行多任务学习，生成通用的分子嵌入 (Molecular Embedding)，捕捉分子的熔沸点、介电常数、偶极矩等关键物理化学特征。

计算模拟预训练：为了覆盖更广阔的配方空间，研究团队利用分子动力学 (MD)模拟了超过 10 万种电解液配方。通过一种具有排列不变性的注意力聚合机制，将分子嵌入与摩尔比信息整合成“电解液级嵌入”。这一阶段模型重点学习了离子电导率和阴离子配位比之间的权衡关系。

实验数据微调：利用收集整理的 1 万余条实验电导率数据对模型进行微调。为了避免非物理的预测结果，模型架构中显式地嵌入了描述电导率随温度（VTF方程类）和盐浓度变化的经验方程，并引入了粘度参数（基于 Walden 规则），显著提升了模型的泛化能力。

电解液配方预测与生成设计流程

基于扩散模型的反向配方生成

Millennial Lithium

传统的筛选方法在面对组合爆炸时往往束手无策，而该研究引入了条件扩散模型来解决这一“反向问题”。

该生成模型可以根据设定的目标属性（如特定的电导率值和阴离子配位比），直接生成满足条件的电解液配方。为了解决实际应用中经常遇到的“基础配方约束”问题（例如：工业应用中通常要求 EC 含量 >20% 以保证锂盐溶解度，或 FEC <10% 以控制成本），研究人员提出了一种分类器引导扩散方法。

在 CGD 框架下，解码器不仅用于还原分子信息，还充当分类器，计算生成配方与基础配方约束之间的梯度，从而引导去噪过程向满足约束的化学空间演化。测试表明，在要求同时满足 EC/DMC/EMC 均 >20% 的复杂约束下，CGD 方法将配方生成的成功率提高了至少三个数量级。

生成性能

实验验证与性能突破

Millennial Lithium

为了验证生成模型的实用性，研究团队从生成的候选中筛选了 18 种配方进行实验验证。结果显示，生成的配方在离子电导率上普遍优于随机选取的实验配方。

更关键的是，拉曼光谱分析证实，为了追求高界面稳定性而设定的高“阴离子配位比”目标在实验中得到了复现。在生成的高电导率配方中，观察到特征 FSI⁻峰向高波数移动，表明形成了富含阴离子的溶剂化结构。这种结构通常与“弱溶剂化”电解液相关，有利于在负极表面形成富含无机组分的SEI 膜，从而抑制锂枝晶生长。

在随后的Li||Cu 半电池测试中，其中一个生成的复杂配方 (EC / EA / DOL / THF / EGDEE / METHF / FEC / LiFSI) 展现了超过 95% 的库伦效率。考虑到该配方包含 7 种溶剂，且任何一种不兼容溶剂都可能导致循环失败，这一结果强有力地证明了该 AI 框架在设计高性能、多组分复杂电解液方面的巨大潜力。

实验验证

这项工作不仅展示了一个闭环的“干湿结合”电解液研发范式，证明了 AI 在处理多目标、多约束材料设计任务上的能力，也为探索高熵电解液等复杂化学体系提供了通用的方法论。随着未来更多电化学稳定性窗口、锂离子迁移数等数据的引入，该框架有望进一步加速全能型电池电解液的开发进程。

原文参考：A unified predictive and generative solution for liquid electrolyte formulation

*特别声明：本公众号所发布的原创及转载文章，仅用于学术分享和传递行业相关信息。未经授权，不得抄袭、篡改、引用、转载等侵犯本公众号相关权益的行为。内容仅供参考，如涉及版权问题，敬请联系，我们将在第一时间核实并处理。