摘要：近期，澳大利亚阿德莱德大学乔世璋院士团队首次用 AI 设计水系锌离子电池电解液分子。他们提出了一种基于 AI 的数据驱动策略，从海量候选分子中高效筛选出了两种电解液添加剂（1,2,3-丁三醇和丙酮），能够显著提升电池的稳定性。
近期，澳大利亚阿德莱德大学 乔世璋 院士团队首次用 AI 设计水系锌离子电池电解液分子。他们提出了一种基于 AI 的数据驱动策略，从海量候选分子中高效筛选出了两种电解液添加剂（1,2,3-丁三醇和丙酮），能够显著提升电池的稳定性。 其技术突破主要体现在：构建了基于文献数据的添加剂数据库，用于机器学习训练；更重要的是，该模型仅依赖实验测定值进行预测，巧妙地绕过了大型溶剂分子体系量子化学计算的高成本难题。 这项工作不仅显著提升了电解液添加剂筛选效率，还为大规模储能电池的理性设计提供了新的方法和指导。 审稿人对该研究评价称，“（作者们）所提出的方法不仅限于水系锌离子电池，还具有适应其他电池系统中电解质设计的潜力。量子化学模拟与人工智能的结合提供了一个可扩展且可推广的框架，可以扩展到各种分子设计相关系统，代表了该领域的重大进步。” 日前，相关论文以《人工智能驱动的电解质添加剂选择提高水系锌离子电池的稳定性》（ Al-Driven Electrolyte Additive Selection to Boost Aqueous Zn-lon Batteries Stability ）为题发表在 Advanced Materials [1]。 阿德莱德大学 李昊博 博士（现担任新加坡南洋理工大学助理教授）和郝俊南博士是共同第一作者，乔世璋院士担任通讯作者。 
图丨相关论文（来源： Advanced Materials ） “分子分区”策略：高效识别对提升电池稳定性影响最显著的区域
在能源化学领域，水系锌离子电池（AZIBs，aqueous Zn-ion batteries）因其低成本、高安全性和环境友好性而备受关注，并在大规模储能中显示出应用潜力。然而，不容忽视的是，锌电极的稳定性问题始终是制约其性能和可靠性的关键瓶颈。 研究人员通常通过优化电解质来改善电池性能，其中在电解液中引入分子被认为是一种有效策略。 然而，传统的电解液添加剂筛选依赖于逐一实验试错方式，不仅效率低，也难以应对复杂电池体系的优化需求。此外，添加剂分子的多样性和作用机制的复杂性，使得单纯基于理论预测添加剂性能面临巨大挑战。 在之前的研究工作中，李昊博曾利用 AI 成功预测金属催化剂，因此她推测：AI 技术也有可能拓展至电解液分子设计领域。 
图丨水系锌离子电池中添加剂分子的相互作用：1）添加剂分子与锌电极表面之间的相互作用；2）添加剂分子之间的相互作用；3）添加剂分子与水之间的相互作用（来源： Advanced Materials ） 研究团队采用多尺度研究方法，通过整合量子化学模拟、机器学习预测与实验验证，建立了一套高效的电解液添加剂筛选体系。在 AI 驱动数据驱动策略中，将从理论计算得到的表面自由能作为 AI 模型的输入特征，同步通过合成与表征实验验证预测稳定性的准确性。 首先，该课题组构建了一个理论模型，模拟了添加剂分子在锌电极表面的吸附行为及其与水分子的相互作用。通过密度泛函理论计算，研究人员发现，表面自由能（γ）可作为衡量锌电极可逆性的有效描述符：表面自由能越低，电极的稳定性越高。 基于这一发现，该团队计算了 38 种已知添加剂分子的表面自由能，并构建了一种包含 17 种物理特性的数据库用于机器学习模型的训练。通过可解释的线性回归算法，成功识别出添加剂分子中重原子数量和液体表面张力是影响电池稳定性的决定性因素。 
图丨计算 38 个附加分子作为机器学习训练的数据库（来源： Advanced Materials ） 值得关注的是，研究人员创新地设计了一种“先分区再筛选”的策略。通过 AI 聚类进一步将添加剂分子分类，识别出对提升电池稳定性影响最显著的区域。 李昊博认为，将分子“分区”与“购房选区”有异曲同工之妙：“就像购房时优先考虑区位因素来判断它的价值那样，我们首先通过 AI 聚类将分子划分为不同性能区域。” 
图丨人工智能基于物理特性进行电解质添加剂筛选（来源： Advanced Materials ） 具体而言，电解液的每个分子都有各自不同的物理和化学性质，AI 能够根据分子的物理化学性质给它们“分区”，当新分子落入“优质区”时，即可预判其性能优势。 李昊博 表示：“这是一个非常有意思且实用的设计思路，可能对做实验的研究人员有所启发。当遇到一种新的、从未见过的分子时，可以利用这种方法将其性质输入进去，看它落在哪个区域。如果落在优质区，那么它大概率就是一个比较理想的分子。” 
图丨用实验结果对理论描述符进行了基准测试（来源： Advanced Materials ） 通过这种新方法，AI 模型筛选出 1,2,3-丁三醇和丙酮两种分子。“ 得到结果的那一刻我仍然记忆犹新，2023 年圣诞节期间，在获得分子结果后，课题组成员郝俊南博士立即开展实验验证，结果非常令人振奋 。”她回忆道。 
图丨实验对人工智能筛选结果的成功验证（来源： Advanced Materials ） 实验结果显示， AI 筛选出的 1,2,3-丁三醇和丙酮显著提升了水系锌离子电池的稳定性和电化学性能：其库仑效率分别达到 99.3% 和 99.2%，远高于纯硫酸锌电解液的 96.4%。 这一突破不仅验证了模型的准确性，更开创了电解液设计的新范式。 需要了解的是，传统方法中量子化学计算的优势是计算结果较为准确，但它的劣势也很明显——计算量巨大。李昊博举例说道：“例如，在我们的工作中，有一个超过 30 个碳原子的大型分子，如果采用传统的量子化学计算方式，由于计算成本过高极有可能无法完成。” 与之对比的是， 这项研究中的学习模型仅依赖于实验值， 能够基于分子的物理化学性质直接判断它的性能，无需额外计算，从而巧妙避免了量子化学计算中大型溶剂分子模型难以处理的挑战。 这种方法不仅为水系锌离子电解液添加剂的合理设计提供了见解，还可推广至其他储能体系的电解液设计，为下一代电池技术的开发提供了强有力的工具。 AI 或成为突破人工筛选瓶颈的关键工具 目前， 李昊博 在南洋理工大学担任助理教授并成立独立课题组，将数据科学与能源科学相结合，专注于利用 AI 解决能源催化中的复杂科学问题，以应对能源相关问题并推动未来的可持续发展。 她本科毕业于南开大学，后在中国科学院大连化学物理研究所获得博士学位，师从包信和院士。博士毕业后，她先后在西湖大学、德国慕尼黑工业大学和澳大利亚阿德莱德大学分别担任助理研究员、洪堡学者和特聘研究员。 
图丨李昊博（来源：李昊博） 能源问题是极其关键且复杂的问题，受到众多因素的影响。李昊博课题组致力于利用 AI 这一先进工具，解决能源化学领域中复杂性强的问题，并借鉴新型理论模型帮助发现新知识，探索 AI 在能源化学领域中可能的新应用。 此前，她采用一种新颖的 AI 数据挖掘方法，对二维材料负载的单原子催化剂进行设计。这一工作被 Nature Catalysis 评价为“使用可解释机器学进行假设形成的优秀范例”。 凭借“在理论研究中利用人工智能技术，应对能源催化中复杂的科学挑战”， 李昊博 成为 2023 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区入选者之一。 在这项研究中，该课题组所收集的数据量涵盖了实验上能够获取的各种结果，尽管相对来说已经比较全面，然而从数据科学的角度来看，尤其是对于需要处理大数据量的学科而言，这些数据量仍然不足。 基于此，在后续的研究阶段中，研究人员将尝试利用自然语言处理技术自动提取数据。此外，研究人员所设计的是一种通用的分子设计技术，具有很强的可推广性。实际上，任何需要设计分子的体系都有望应用这种技术。因此，他们也计划进一步拓展分子设计的应用范围。 为实现水系锌离子电池是兼具高稳定性和高性能的目标，未来其电解液添加剂的成分可能会朝着更复杂的方向发展。因此，该方向的研究在学科交叉和融合发展方面也可能会越来越密集。 然而，随着电解液成分增多，复杂性极有可能呈指数级上升。当添加的成分越来越多时，依靠传统的人工去适应这种复杂性会变得越来越困难。而 AI 本身就是一种专门用来解决复杂性问题的工具，这种复杂且数据量大的体系恰好是它的优势。 因此，未来的一种可预见的发展趋势是：研究人员不再依靠经验去寻找电池电解液分子，而是让 AI 来设计和筛选出理想的分子，甚至可以指定具体的官能团，或者让它设计出目标结构。 李昊博认为，AI 在电解液分子设计领域潜力巨大，并有望成为突破人工筛选瓶颈的关键工具。“目前我们正在组建跨学科团队，特别欢迎具有分子设计经验的研究人员加入，共同推动这一前沿方向的发展。” 来源：东窗史谈
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
