摘要：随着全球对绿色能源与高安全性储能系统的迫切需求，水系锂离子电池因其本征的安全性和较低成本，逐渐成为下一代储能技术的重要候选。然而，与传统有机电解液系统相比，水作为溶剂的电化学稳定窗口仅为约1.23 V，极易在负极处引发析氢反应（Hydrogen Evoluti
【研究背景】
随着全球对绿色能源与高安全性储能系统的迫切需求，水系锂离子电池因其本征的安全性和较低成本，逐渐成为下一代储能技术的重要候选。然而，与传统有机电解液系统相比，水作为溶剂的电化学稳定窗口仅为约1.23 V，极易在负极处引发析氢反应（Hydrogen Evolution Reaction, HER），从而导致能量效率降低、电池寿命缩短，甚至潜在的安全隐患。因此，如何有效拓展水系电解液的稳定性窗口，成为该领域面临的关键科学问题。
与此同时，电解液配方的化学空间庞大且高度非线性，变量之间存在复杂耦合关系。传统的“试错+经验”式配方筛选方法不仅效率低、周期长，而且难以全面覆盖潜在优异组合。虽然近年来机器学习等数据驱动方法在材料设计中开始发挥作用，但大多数研究仍停留在计算辅助设计阶段，与真实实验的高效耦合仍是技术挑战。
基于此，本研究希望通过构建一个自动化+智能优化相结合的“自驱动实验室”平台，在真实实验条件下高效探索新型水系电解液配方，以提升材料发现的速度与质量。
【工作简介】
近日，瑞典乌普萨拉大学Ångström先进电池中心张雷霆课题组开发了一套集成化实验平台——ODACell 2，该平台整合了自动配液、自动扣式电池组装、自动充放电测试及贝叶斯优化（BO）算法引导的实验决策系统。通过引入智能算法，平台可在每一轮实验结束后基于结果动态调整下一轮实验方案，形成闭环优化流程。研究团队基于该平台，对以DMSO（二甲基亚砜）、TMP（三甲基磷酸酯）、水和乙腈（ACN）等四种溶剂为基础的有机-水混合电解液体系进行了配方筛选。在不到100次实验的时间内，系统自动发现了以DMSO或TMP为主、含水约 20 mol% 的低浓度（1 m）电解液混合体系，其在LiFePO4 || Li4Ti5O12全电池中循环时可实现超过94 %的库仑效率，并通过在线电化学质谱验证其在抑制副反应（尤其是氢气析出）方面的显著优势。该文章发表在国际知名期刊Cell Reports Physical Science上。博士生Jackie T. Yik为本文第一作者，Erik J. Berg教授与张雷霆教授为共同通讯作者。
【内容表述】
DMSO和TMP均在文献中被报道具有调节水分子间氢键结构、增强电化学稳定性的能力。DMSO分子是优秀的氢键受体，能够与水形成稳定的溶剂化结构，从而降低水的活性；TMP被认为可以破坏水分子之间的氢键网络，有助于扩展稳定电压窗口。此外，乙腈（ACN）虽常用于有机电解液，但其在含水体系中的稳定性尚存争议。
贝叶斯优化是一种基于概率模型（通常为高斯过程）的全局优化方法，尤其适用于评估代价高、变量复杂的实验系统。相比传统“遍历”或“正交试验”方法，它可以以更少的实验次数快速接近最优配方。因此，研究团队基于此技术构建了实验推荐与执行的闭环系统。
研究从硬件与软件两个层面展开：
首先，团队基于之前的工作（Automated electrolyte formulation and coin cell assembly for high-throughput lithium-ion battery research, Digital Discovery, 2023,2, 799-808, https://doi.org/10.1039/D3DD00058C），搭建了ODACell 2自动化实验平台（见图 1A），平台支持在手套箱环境下进行电解液的自动配比、扣式电池自动组装与后续的电化学性能测试（见图 1B）。通过与贝叶斯优化算法深度集成，系统可根据每轮实验结果评估当前配方的性能，并预测潜在更优配方，完成闭环式自迭代优化流程。
图1：ODACell 2实验平台结构（A）及闭环优化流程图（B）
研究设置了多组实验，评估了不同混合溶剂配比下电池的库仑效率与放电容量。实验数据显示，DMSO和TMP为主的两类配方均在循环第六次时表现出良好稳定性（图 2A），并且ACN的加入普遍被系统淘汰（图 2B）。
图2：性能最优的 DMSO/TMP 系统放电曲线（A）与溶剂摩尔比例分布（B）
从优化路径来看，DMSO的用量在优化中逐渐提升，且最终趋于收敛（图 3A）。库仑效率与放电容量亦在BO引导下稳步提升（图 3B），验证了该方法在真实扣式全电池测试中的有效性。
图3：不同实验批次的组分变化趋势（A）与电池性能演化（B）
团队进一步使用二维投影图对模型进行了可视化分析，展示了不同溶剂体积组合下对性能指标的影响分布（图 4）。
图4：高斯过程模型预测下的多变量组合对性能的影响图
为了评估实验的可重复性，研究重复测试了部分代表性配方，发现库仑效率在DMSO系统下表现较稳定，而水含量较高的配方表现波动性较大（图 5），与HER副反应活跃性相关。
图5：不同电解液体系下实验重复性对比分析
为了从机制层面验证最优配方的抗HER能力，团队利用OEMS技术（online electrochemical mass spectrometry，在线电化学质谱）实时监测氢气析出速率。结果显示，在纯水体系中，氢气释放最剧烈，ACN与水共存时亦引发大量副反应（图 6A）。而DMSO/TMP体系中氢气生成显著减缓（图 6B）。
图6：不同电解液体系在初始几轮循环中的氢气释放速率（A）与浓度依赖关系（B）
核心结论
本研究首次在扣式全电池体系中验证了“AI+机器人实验平台”对水系电解液配方设计的赋能作用。通过仅约100次实验，就筛选出多组性能优异的配方组合，在实现LiFePO4 || Li4Ti5O12全电池>94%库仑效率的同时，有效降低了HER风险。主要结论包括：
1. 成功构建集成自动化实验与AI优化的“自驱动实验室”；
2. 以DMSO或TMP为主、约含20 mol%水的低浓度（1 m）电解液体系可显著提升库仑效率；
3. 验证ACN在该体系中引发副反应，实际效果不如预期；
4. OEMS结果表明优化体系可显著抑制氢气析出，提升循环稳定性；
5. 此方法具备高度可拓展性，适用于其他水系电池、非水系电解质及溶液体系优化任务。
【文献详情】
Jackie T. Yik, Carl Hvarfner, Jens Sjölund, Erik J. Berg, Leiting Zhang, Accelerating aqueous electrolyte design with automated full-cell battery experimentation and Bayesian optimization, Cell Reports Physical Science (2025) 102548. https://doi.org/10.1016/j.xcrp.2025.102548.
来源：科学黑与白
