液態電解液作為鋰離子電池及下一代鋰金屬電池的“血液”，其性能直接決定了電池的離子傳輸速率、界面阻抗以及長期循環的電化學穩定性。然而，傳統的電解液研發往往依賴于昂貴且耗時的“試錯法”。面對由多種溶劑、鋰鹽以及不同摩爾比組合而成的海量化學空間，如何高效地篩選并設計出滿足特定性能指標（如高電導率、高庫倫效率）的配方，是行業亟待解決的難題。

針對這一挑戰，本文提出了一種融合了前向預測模型與反向生成方法的統一框架。該框架利用涵蓋單分子到分子混合物的多源數據（包括文獻實驗數據和大規模分子動力學模擬數據），不僅實現了對電解液性質的精準預測，更開創性地利用生成式 AI 進行目標導向的配方反向設計。

“物理感知”的通用預測模型

Millennial Lithium

該研究首先構建了一個高精度的前向預測模型，旨在解決電解液性質預測中數據稀缺和物理約束缺失的問題。該模型的訓練過程分為三個階段：

分子預訓練：利用圖神經網絡 (GNN)對超過 24 萬個單分子數據進行多任務學習，生成通用的分子嵌入 (Molecular Embedding)，捕捉分子的熔沸點、介電常數、偶極矩等關鍵物理化學特征。

計算模擬預訓練：為了覆蓋更廣闊的配方空間，研究團隊利用分子動力學 (MD)模擬了超過 10 萬種電解液配方。通過一種具有排列不變性的注意力聚合機制，將分子嵌入與摩爾比信息整合成“電解液級嵌入”。這一階段模型重點學習了離子電導率和陰離子配位比之間的權衡關系。

實驗數據微調：利用收集整理的 1 萬余條實驗電導率數據對模型進行微調。為了避免非物理的預測結果，模型架構中顯式地嵌入了描述電導率隨溫度（VTF方程類）和鹽濃度變化的經驗方程，并引入了粘度參數（基于 Walden 規則），顯著提升了模型的泛化能力。

電解液配方預測與生成設計流程

基于擴散模型的反向配方生成

Millennial Lithium

傳統的篩選方法在面對組合爆炸時往往束手無策，而該研究引入了條件擴散模型來解決這一“反向問題”。

該生成模型可以根據設定的目標屬性（如特定的電導率值和陰離子配位比），直接生成滿足條件的電解液配方。為了解決實際應用中經常遇到的“基礎配方約束”問題（例如：工業應用中通常要求 EC 含量 >20% 以保證鋰鹽溶解度，或 FEC <10% 以控制成本），研究人員提出了一種分類器引導擴散方法。

在 CGD 框架下，解碼器不僅用于還原分子信息，還充當分類器，計算生成配方與基礎配方約束之間的梯度，從而引導去噪過程向滿足約束的化學空間演化。測試表明，在要求同時滿足 EC/DMC/EMC 均 >20% 的復雜約束下，CGD 方法將配方生成的成功率提高了至少三個數量級。

生成性能

實驗驗證與性能突破

Millennial Lithium

為了驗證生成模型的實用性，研究團隊從生成的候選中篩選了 18 種配方進行實驗驗證。結果顯示，生成的配方在離子電導率上普遍優于隨機選取的實驗配方。

更關鍵的是，拉曼光譜分析證實，為了追求高界面穩定性而設定的高“陰離子配位比”目標在實驗中得到了復現。在生成的高電導率配方中，觀察到特征 FSI?峰向高波數移動，表明形成了富含陰離子的溶劑化結構。這種結構通常與“弱溶劑化”電解液相關，有利于在負極表面形成富含無機組分的SEI 膜，從而抑制鋰枝晶生長。

在隨后的Li||Cu 半電池測試中，其中一個生成的復雜配方 (EC / EA / DOL / THF / EGDEE / METHF / FEC / LiFSI) 展現了超過 95% 的庫倫效率。考慮到該配方包含 7 種溶劑，且任何一種不兼容溶劑都可能導致循環失敗，這一結果強有力地證明了該 AI 框架在設計高性能、多組分復雜電解液方面的巨大潛力。

實驗驗證

這項工作不僅展示了一個閉環的“干濕結合”電解液研發范式，證明了 AI 在處理多目標、多約束材料設計任務上的能力，也為探索高熵電解液等復雜化學體系提供了通用的方法論。隨著未來更多電化學穩定性窗口、鋰離子遷移數等數據的引入，該框架有望進一步加速全能型電池電解液的開發進程。

原文參考：A unified predictive and generative solution for liquid electrolyte formulation

*特別聲明：本公眾號所發布的原創及轉載文章，僅用于學術分享和傳遞行業相關信息。未經授權，不得抄襲、篡改、引用、轉載等侵犯本公眾號相關權益的行為。內容僅供參考，如涉及版權問題，敬請聯系，我們將在第一時間核實并處理。