摘要：电化学领域的假设构建与实验设计主要依赖文献经验和研究者的直觉，其验证过程通常耗费资源且需多次试错，例如电解质工程需在高维参数空间中平衡多目标优化，人工穷举测试难以实现全局最优。

编辑丨coisini

电化学领域的假设构建与实验设计主要依赖文献经验和研究者的直觉，其验证过程通常耗费资源且需多次试错，例如电解质工程需在高维参数空间中平衡多目标优化，人工穷举测试难以实现全局最优。

虽然机器学习已用于辅助设计，但依赖昂贵的第一性原理计算和小数据集限制了模型泛化能力。因此，加速实验流程从而高效探索化学空间依然是重大挑战。

近期，来自约翰斯・霍普金斯大学等机构的研究团队开发了一种自动化高通量电化学表征平台 ——AHTech，用于快速评估液体分析物。该 Python 控制平台整合了液体处理机器人、恒电位仪和可定制微电极束，可在微孔板中进行多样化、高复现性的电化学测量，可最大限度地减少化学品消耗和人工操作。研究论文发表在《Science Advances》上。

论文地址：

AHTech 平台兼具稳健性、经济性与高度可定制化。该平台专为溶液电解质与氧化还原活性物质的高通量电化学表征而设计，通过协调联动液体处理机器人、微型化电极束与恒电位仪，可实现无需人工干预的电解质配方设计与多样化电化学测试。

AHTech 采用微孔板工作模式，既能降低试剂消耗量，又能快速获取高质量数据，实现了电化学广阔参数空间的高效探索。配套软件模块提供全自动数据分析功能，并可集成机器学习算法实现在线决策与迭代式探索研究。

图 1：AHTech 平台架构。（来源：论文）

值得注意的是，AHTech 采用的微电极束不仅与移液机器人完全兼容，还能通过经济高效的柔性化设计满足不同电化学测试需求，有助于研究实验室快速实现低门槛技术应用。

为了验证 AHTech 的应用潜力，研究团队以水系锌金属电池（AZMBs）为例，利用 AHTech 来探索用于提高锌金属负极库伦效率（CE）的小分子添加剂。

该研究系统地评估了包含 180 种小分子添加剂的化合物库（涵盖 575 组电解质体系实验数据），全面考察了不同电解质条件下锌金属沉积的库伦效率。

通过 SHapley 加性解释（SHAP）和 Spearman 相关性分析，研究团队成功从数据中提取出高性能 AZMBs 添加剂的关键理化特征。这些理论认识最终指导研究团队发现了一批能够显著增强电化学性能的新型添加剂。

图 2：AHTech 平台可靠性验证。（来源：论文）

总的来说，这项研究建立的自动化高通量实验与先进机器学习技术相结合的研究范式 ——AHTech，可快速推广至各类储能与能量转换领域，为电化学系统的开发与优化提供了高效解决方案。

来源：乱侃