近期，澳大利亞阿德萊德大學喬世璋院士團隊首次用 AI 設計水系鋅離子電池電解液分子。他們提出了一種基于 AI 的數據驅動策略，從海量候選分子中高效篩選出了兩種電解液添加劑（1,2,3-丁三醇和丙酮），能夠顯著提升電池的穩定性。

其技術突破主要體現在：構建了基于文獻數據的添加劑數據庫，用于機器學習訓練；更重要的是，該模型僅依賴實驗測定值進行預測，巧妙地繞過了大型溶劑分子體系量子化學計算的高成本難題。

這項工作不僅顯著提升了電解液添加劑篩選效率，還為大規模儲能電池的理性設計提供了新的方法和指導。

審稿人對該研究評價稱，“（作者們）所提出的方法不僅限于水系鋅離子電池，還具有適應其他電池系統中電解質設計的潛力。量子化學模擬與人工智能的結合提供了一個可擴展且可推廣的框架，可以擴展到各種分子設計相關系統，代表了該領域的重大進步。”

日前，相關論文以《人工智能驅動的電解質添加劑選擇提高水系鋅離子電池的穩定性》（Al-Driven Electrolyte Additive Selection to Boost Aqueous Zn-lon Batteries Stability）為題發表在Advanced Materials[1]。

阿德萊德大學李昊博博士（現擔任新加坡南洋理工大學助理教授）和郝俊南博士是共同第一作者，喬世璋院士擔任通訊作者。

圖丨相關論文（來源：Advanced Materials）

“分子分區”策略：高效識別對提升電池穩定性影響最顯著的區域

在能源化學領域，水系鋅離子電池（AZIBs，aqueous Zn-ion batteries）因其低成本、高安全性和環境友好性而備受關注，并在大規模儲能中顯示出應用潛力。然而，不容忽視的是，鋅電極的穩定性問題始終是制約其性能和可靠性的關鍵瓶頸。

研究人員通常通過優化電解質來改善電池性能，其中在電解液中引入分子被認為是一種有效策略。

然而，傳統的電解液添加劑篩選依賴于逐一實驗試錯方式，不僅效率低，也難以應對復雜電池體系的優化需求。此外，添加劑分子的多樣性和作用機制的復雜性，使得單純基于理論預測添加劑性能面臨巨大挑戰。

在之前的研究工作中，李昊博曾利用 AI 成功預測金屬催化劑，因此她推測：AI 技術也有可能拓展至電解液分子設計領域。

（來源：Advanced Materials）

研究團隊采用多尺度研究方法，通過整合量子化學模擬、機器學習預測與實驗驗證，建立了一套高效的電解液添加劑篩選體系。在 AI 驅動數據驅動策略中，將從理論計算得到的表面自由能作為 AI 模型的輸入特征，同步通過合成與表征實驗驗證預測穩定性的準確性。

首先，該課題組構建了一個理論模型，模擬了添加劑分子在鋅電極表面的吸附行為及其與水分子的相互作用。通過密度泛函理論計算，研究人員發現，表面自由能（γ）可作為衡量鋅電極可逆性的有效描述符：表面自由能越低，電極的穩定性越高。

基于這一發現，該團隊計算了 38 種已知添加劑分子的表面自由能，并構建了一種包含 17 種物理特性的數據庫用于機器學習模型的訓練。通過可解釋的線性回歸算法，成功識別出添加劑分子中重原子數量和液體表面張力是影響電池穩定性的決定性因素。

（來源：Advanced Materials）

值得關注的是，研究人員創新地設計了一種“先分區再篩選”的策略。通過 AI 聚類進一步將添加劑分子分類，識別出對提升電池穩定性影響最顯著的區域。

李昊博認為，將分子“分區”與“購房選區”有異曲同工之妙：“就像購房時優先考慮區位因素來判斷它的價值那樣，我們首先通過 AI 聚類將分子劃分為不同性能區域?！?/p>

（來源：Advanced Materials）

具體而言，電解液的每個分子都有各自不同的物理和化學性質，AI 能夠根據分子的物理化學性質給它們“分區”，當新分子落入“優質區”時，即可預判其性能優勢。

李昊博表示：“這是一個非常有意思且實用的設計思路，可能對做實驗的研究人員有所啟發。當遇到一種新的、從未見過的分子時，可以利用這種方法將其性質輸入進去，看它落在哪個區域。如果落在優質區，那么它大概率就是一個比較理想的分子?！?/p>

（來源：Advanced Materials）

通過這種新方法，AI 模型篩選出 1,2,3-丁三醇和丙酮兩種分子?！暗玫浇Y果的那一刻我仍然記憶猶新，2023 年圣誕節期間，在獲得分子結果后，課題組成員郝俊南博士立即開展實驗驗證，結果非常令人振奮?！彼貞浀馈?/p>

（來源：Advanced Materials）

實驗結果顯示，AI 篩選出的 1,2,3-丁三醇和丙酮顯著提升了水系鋅離子電池的穩定性和電化學性能：其庫侖效率分別達到 99.3% 和 99.2%，遠高于純硫酸鋅電解液的 96.4%。這一突破不僅驗證了模型的準確性，更開創了電解液設計的新范式。

需要了解的是，傳統方法中量子化學計算的優勢是計算結果較為準確，但它的劣勢也很明顯——計算量巨大。李昊博舉例說道：“例如，在我們的工作中，有一個超過 30 個碳原子的大型分子，如果采用傳統的量子化學計算方式，由于計算成本過高極有可能無法完成?！?/p>

與之對比的是，這項研究中的學習模型僅依賴于實驗值，能夠基于分子的物理化學性質直接判斷它的性能，無需額外計算，從而巧妙避免了量子化學計算中大型溶劑分子模型難以處理的挑戰。

這種方法不僅為水系鋅離子電解液添加劑的合理設計提供了見解，還可推廣至其他儲能體系的電解液設計，為下一代電池技術的開發提供了強有力的工具。

AI 或成為突破人工篩選瓶頸的關鍵工具

目前，李昊博在南洋理工大學擔任助理教授并成立獨立課題組，將數據科學與能源科學相結合，專注于利用 AI 解決能源催化中的復雜科學問題，以應對能源相關問題并推動未來的可持續發展。

她本科畢業于南開大學，后在中國科學院大連化學物理研究所獲得博士學位，師從包信和院士。博士畢業后，她先后在西湖大學、德國慕尼黑工業大學和澳大利亞阿德萊德大學分別擔任助理研究員、洪堡學者和特聘研究員。

圖丨李昊博（來源：李昊博）

能源問題是極其關鍵且復雜的問題，受到眾多因素的影響。李昊博課題組致力于利用 AI 這一先進工具，解決能源化學領域中復雜性強的問題，并借鑒新型理論模型幫助發現新知識，探索 AI 在能源化學領域中可能的新應用。

此前，她采用一種新穎的 AI 數據挖掘方法，對二維材料負載的單原子催化劑進行設計。這一工作被Nature Catalysis評價為“使用可解釋機器學進行假設形成的優秀范例”。

憑借“在理論研究中利用人工智能技術，應對能源催化中復雜的科學挑戰”，李昊博成為 2023 年度《麻省理工科技評論》“35 歲以下科技創新 35 人”亞太區入選者之一。

在這項研究中，該課題組所收集的數據量涵蓋了實驗上能夠獲取的各種結果，盡管相對來說已經比較全面，然而從數據科學的角度來看，尤其是對于需要處理大數據量的學科而言，這些數據量仍然不足。

基于此，在后續的研究階段中，研究人員將嘗試利用自然語言處理技術自動提取數據。此外，研究人員所設計的是一種通用的分子設計技術，具有很強的可推廣性。實際上，任何需要設計分子的體系都有望應用這種技術。因此，他們也計劃進一步拓展分子設計的應用范圍。

為實現水系鋅離子電池是兼具高穩定性和高性能的目標，未來其電解液添加劑的成分可能會朝著更復雜的方向發展。因此，該方向的研究在學科交叉和融合發展方面也可能會越來越密集。

然而，隨著電解液成分增多，復雜性極有可能呈指數級上升。當添加的成分越來越多時，依靠傳統的人工去適應這種復雜性會變得越來越困難。而 AI 本身就是一種專門用來解決復雜性問題的工具，這種復雜且數據量大的體系恰好是它的優勢。

因此，未來的一種可預見的發展趨勢是：研究人員不再依靠經驗去尋找電池電解液分子，而是讓 AI 來設計和篩選出理想的分子，甚至可以指定具體的官能團，或者讓它設計出目標結構。

李昊博認為，AI 在電解液分子設計領域潛力巨大，并有望成為突破人工篩選瓶頸的關鍵工具?！澳壳拔覀冋诮M建跨學科團隊，特別歡迎具有分子設計經驗的研究人員加入，共同推動這一前沿方向的發展?！?/p>

參考資料：

1.Li,H. et al. Al-Driven Electrolyte Additive Selection to Boost Aqueous Zn-lon Batteries Stability.Advanced Materials(2024).

https://doi.org/10.1002/adma.202411991

運營/排版：何晨龍