“讓高壓電解液從經(jīng)驗篩選走向智能發(fā)現(xiàn)”——這并非遙遠設(shè)想，而是北京理工大學材料學院陳楠和陳人杰教授團隊面向下一代高能量密度鋰電池提出的AI4B研究框架。針對高電壓條件下電解液易氧化分解、界面反應復雜、候選配方空間龐大和傳統(tǒng)經(jīng)驗試錯效率較低等關(guān)鍵瓶頸，團隊于2026年6月在《Chemical Society Reviews》（影響因子：39.3）上發(fā)表題為“AI for Battery Accelerated Discovery of High-Voltage Electrolytes for Advanced Lithium Batteries”的前瞻性綜述，以AI for Battery（AI4B）為主線，系統(tǒng)總結(jié)了機器學習在高壓電解液結(jié)構(gòu)解析、失效機制分析、分子高通量篩選、配方多目標優(yōu)化和自驅(qū)動閉環(huán)研發(fā)中的應用進展，并提出將數(shù)據(jù)驅(qū)動模型、物理化學機制、理論計算和實驗驗證相結(jié)合的高壓電解液智能發(fā)現(xiàn)框架，為高比能鋰電池電解液的理性設(shè)計提供了新的研究思路。論文第一作者為北京理工大學材料學院2024級博士研究生湛煜，通訊作者為陳楠副教授和陳人杰教授。

從經(jīng)驗試錯到AI4B：高壓電解液研究范式轉(zhuǎn)變

隨著電動汽車、智能裝備和大規(guī)模儲能技術(shù)快速發(fā)展，鋰電池正向更高能量密度和更寬工作電壓窗口演進。然而，高電壓條件下傳統(tǒng)碳酸酯電解液容易發(fā)生氧化分解，并誘發(fā)氣體釋放、界面膜失穩(wěn)、過渡金屬溶出和阻抗增長等問題，成為限制高比能鋰電池進一步發(fā)展的關(guān)鍵瓶頸。與傳統(tǒng)依賴經(jīng)驗試錯的研究模式相比，機器學習能夠在復雜分子結(jié)構(gòu)空間、溶劑化環(huán)境和界面反應之間建立數(shù)據(jù)驅(qū)動關(guān)聯(lián)，為高壓電解液的快速發(fā)現(xiàn)和理性設(shè)計提供新的方法基礎(chǔ)。

圖1：傳統(tǒng)電解液研發(fā)范式與AI4B范式對比

綜述首先從研究范式層面對高壓電解液開發(fā)進行了重新梳理。傳統(tǒng)電解液研究通常以實驗經(jīng)驗和逐步試錯為主，面對龐大的溶劑、鋰鹽和添加劑組合空間，往往需要經(jīng)歷長周期篩選和反復驗證。該過程不僅研發(fā)成本高，而且難以在分子結(jié)構(gòu)、溶劑化行為、界面反應和電池性能之間建立可遷移的定量關(guān)系。

AI4B范式則強調(diào)以數(shù)據(jù)和算法為核心，將實驗數(shù)據(jù)、理論計算、分子模擬和機器學習模型有機結(jié)合，構(gòu)建跨尺度、多物理場的研究框架。該范式不僅用于候選分子的高通量篩選，還能夠進一步服務(wù)于電解液失效機理識別、界面反應路徑解析和多目標配方優(yōu)化。綜述指出，AI4B的核心價值在于將高壓電解液研究從“經(jīng)驗驅(qū)動篩選”推進到“數(shù)據(jù)驅(qū)動預測、理論指導計算和實驗驗證反饋”相結(jié)合的系統(tǒng)化研究模式。

深度學習算法為電解液結(jié)構(gòu)表征和候選分子生成提供工具基礎(chǔ)

在算法基礎(chǔ)方面，綜述系統(tǒng)梳理了循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、變分自編碼器、流模型、擴散模型和Transformer等代表性深度學習架構(gòu)。不同模型對應不同類型的數(shù)據(jù)結(jié)構(gòu)和科學任務(wù)：循環(huán)神經(jīng)網(wǎng)絡(luò)適用于序列數(shù)據(jù)處理，卷積神經(jīng)網(wǎng)絡(luò)適用于圖像和譜圖特征提取，圖神經(jīng)網(wǎng)絡(luò)能夠天然表達分子結(jié)構(gòu)和相互作用網(wǎng)絡(luò)，生成模型則可用于候選分子構(gòu)建和化學空間探索，Transformer架構(gòu)則在跨模態(tài)信息整合和復雜關(guān)系建模方面展現(xiàn)出重要潛力。

圖2：深度學習算法體系及其在材料研究中的潛在作用

對于高壓電解液研究而言，深度學習的關(guān)鍵作用不只是提高預測精度，更在于增強對復雜結(jié)構(gòu)信息的表達能力。分子結(jié)構(gòu)、溶劑化鞘層、界面反應中間體和表征譜圖均具有高維、非線性和多尺度耦合特征，傳統(tǒng)手工描述符往往難以完整刻畫這些信息。深度學習通過自動特征提取和表示學習，為建立分子結(jié)構(gòu)、局域環(huán)境、界面行為與宏觀性能的關(guān)聯(lián)模型提供了方法支撐。

AI4B視角下高壓鋰電池研發(fā)的階段演進

綜述進一步提出了高壓鋰電池研發(fā)從 HV 1.0 到 HV 3.0 的階段性演進框架。在HV 1.0階段，電池工作電壓通常低于4.3 V，研究模式主要依賴實驗經(jīng)驗、單因素優(yōu)化和有限的機理模型，研發(fā)周期較長，成本較高。進入HV 2.0階段后，電池工作電壓拓展至約4.3–5.0 V，能量密度顯著提升，但同時伴隨更加復雜的電解液氧化、界面膜演化和電極耦合失效問題。在這一階段，AI主要作為輔助工具，用于溶劑化結(jié)構(gòu)預測、高通量篩選、代理模型構(gòu)建、多目標優(yōu)化和圖像識別等任務(wù)。

圖3：高壓鋰電池研究從HV 1.0到HV 3.0的演進路徑

面向未來HV 3.0階段，即超過5.0 V并追求更高能量密度的高壓電池體系，AI4B有望從輔助分析工具進一步發(fā)展為閉環(huán)研發(fā)平臺。其典型特征包括目標導向的電解液逆向設(shè)計、可合成性約束下的候選體系生成、自驅(qū)動實驗室、機器人高通量平臺、主動學習驅(qū)動的實驗策略、數(shù)字孿生、多尺度機理建模和跨領(lǐng)域知識遷移。該框架表明，高壓電解液設(shè)計不再只是尋找單一穩(wěn)定分子，而是需要在電壓穩(wěn)定性、離子傳輸、界面成膜、安全性、成本和可制造性之間進行協(xié)同優(yōu)化。

面向未來：電池基礎(chǔ)模型、自驅(qū)動實驗室、模型可解釋性與Science for AI

在展望部分，綜述指出，高壓電解液研究未來仍面臨數(shù)據(jù)稀缺、模型泛化能力不足、復雜界面機制難以定量解析以及實驗反饋周期較長等挑戰(zhàn)。為推動AI4B從概念框架走向可操作的研究體系，文章提出了四個重點方向：面向電池領(lǐng)域的專用基礎(chǔ)模型、自驅(qū)動實驗室、模型可解釋性提升以及Science for AI。

圖4：AI4B范式的未來發(fā)展方向

其中，電池領(lǐng)域基礎(chǔ)模型需要以高質(zhì)量文獻數(shù)據(jù)、實驗數(shù)據(jù)、計算數(shù)據(jù)和多模態(tài)表征數(shù)據(jù)為基礎(chǔ)，建立能夠服務(wù)于電解液結(jié)構(gòu)解析、性能預測和候選體系生成的通用表示框架。自驅(qū)動實驗室則通過機器人實驗、高通量測試、實時數(shù)據(jù)分析和主動學習決策，實現(xiàn)電解液配方的快速迭代優(yōu)化。模型可解釋性對于電池研究尤為重要，因為高壓電解液設(shè)計不僅要求模型預測準確，更要求模型能夠揭示分子結(jié)構(gòu)、溶劑化環(huán)境和界面反應之間的物理化學聯(lián)系。Science for AI則強調(diào)從物理、化學、概率統(tǒng)計、群論和神經(jīng)科學等基礎(chǔ)科學中吸收新思想，反向推動更適合科學問題的人工智能方法發(fā)展。

團隊在吳鋒院士牽頭下，長期面向國家重大能源需求開展二次電池研究。自20世紀90年代起，團隊持續(xù)推進鎳氫電池關(guān)鍵技術(shù)研發(fā)，隨后在鋰離子電池及多電子高比能二次電池新體系方面形成了系統(tǒng)布局與特色積累。近年來，團隊在電解液設(shè)計、界面調(diào)控、智能電池和多尺度機理分析等方向形成了系統(tǒng)積累。該綜述的發(fā)表進一步體現(xiàn)了團隊在人工智能與電化學儲能交叉方向的持續(xù)布局，也為推動高壓鋰電池從經(jīng)驗開發(fā)走向數(shù)據(jù)驅(qū)動和機制約束相結(jié)合的智能研發(fā)提供了新的思路。

課題組近期在功能電解質(zhì)材料方面的部分代表性工作如下：

1. Hopping-Phase Ion Bridge Enables Fast Li+ Transport in Functional Garnet-Type Solid-State Battery at Room Temperature[J]. Advanced Materials, 2025, 37(11): 2415966.（IF=26.8，第一作者：楊斌斌）（構(gòu)建跳躍相離子橋，釋放纖維素含氧極性基團的Li?傳輸活性，并在功能化LLZTO與PVDF界面形成高速離子通道，降低異質(zhì)界面遷移阻力，實現(xiàn)室溫石榴石基固態(tài)電池快速Li+傳輸。）

2. Tiny-Ligand Solvation Electrolyte Enabled Fast-Charging Aqueous Batteries[J]. Angewandte Chemie International Edition, 2025, 64(14): e202423808.（IF=16.9，第一作者：尚妍欣）（提出微型配體溶劑化電解液設(shè)計，通過TEOC構(gòu)建低位阻、低結(jié)合能的Li?溶劑化鞘層，抑制水活性和析氫反應，拓寬水系電解液電化學窗口，并促進LiF富集界面膜形成，實現(xiàn)水系鋰離子電池快速充電。）

3. Super-Ionic Conductor Soft Filler Promotes Li? Transport in Integrated Cathode–Electrolyte for Solid-State Battery at Room Temperature[J]. Advanced Materials, 2024, 36(27): 2403078.（IF=26.8，第一作者：楊斌斌）（提出超離子導體軟填料概念，以鋰化納米纖維素構(gòu)建雙通道Li?傳輸網(wǎng)絡(luò)，兼顧聚合物相容性、陰離子錨定和電極–電解質(zhì)一體化接觸，顯著提升室溫固態(tài)電池離子傳輸與循環(huán)穩(wěn)定性。）

4. Bipolar Polymeric Protective Layer for Dendrite-Free and Corrosion-Resistant Lithium Metal Anode in Ethylene Carbonate Electrolyte[J]. Angewandte Chemie International Edition, 2024, 63(17): e202400619.（IF=16.9，第一作者：鄧成龍）（構(gòu)筑含羥基和氰乙基的雙極聚合物保護層，通過氫鍵俘獲EC并調(diào)控Li?脫溶劑化，同時錨定TFSI?以緩解濃差極化，實現(xiàn)碳酸酯電解液中鋰金屬負極的抗腐蝕和無枝晶沉積。）

5. Cofactor-Assisted Weakly Solvated Electrolytes for Low-Temperature Charging of Graphite Anode[J]. Advanced Functional Materials, 2025, 35(39): 2504252.（IF=19.0，第一作者：田佳寧）（提出輔因子輔助弱溶劑化電解液，利用氟代非極性分子調(diào)控THF表面電荷分布，重排Li?局域溶劑化結(jié)構(gòu)，抑制醚溶劑共嵌入石墨，并誘導形成LiF/Li?N富集SEI，實現(xiàn)石墨負極低溫可逆充電。）

6. Deep Eutectic Interlayer Design for Stability Enhancement in LLZTO Solid-State Lithium Batteries[J]. Advanced Functional Materials, 2026, 36(8): 2513024.（IF=19.0，第一作者：龍思宏）（引入琥珀腈基深共晶界面層改善LLZTO/PAN復合固態(tài)電解質(zhì)與鋰金屬之間的固–固接觸，促進穩(wěn)定致密SEI形成，降低界面阻抗并提高Li?遷移數(shù)，為高穩(wěn)定固態(tài)電解質(zhì)界面調(diào)控提供方案。）

7. Strong association dual lithium salts for ether-based electrolyte enable 4.5 V high-voltage lithium metal battery[J]. Energy Storage Materials, 2025, 78: 104264.（IF=20.2，第一作者：孫立譜）（設(shè)計強締合雙鋰鹽醚基電解液，通過LiDFP/LiNO3誘導陰離子主導溶劑化和AGG聚集結(jié)構(gòu)，同時穩(wěn)定鋰金屬負極SEI與高壓NCM811正極界面，實現(xiàn)4.5 V高壓鋰金屬電池長循環(huán)運行。）

8. Li2CO3 contamination in garnet solid electrolyte: Origins, impacts, and mitigation strategies[J]. Energy Storage Materials, 2025, 77: 104173.（IF=20.2，第一作者：石寧）（系統(tǒng)總結(jié)石榴石固態(tài)電解質(zhì)中Li?CO?污染的來源、形成機制及其對離子傳輸、界面接觸和枝晶生長的不利影響，并歸納摻雜、涂層、去除與轉(zhuǎn)化策略，為空氣穩(wěn)定固態(tài)電解質(zhì)設(shè)計提供依據(jù)。）

9. A brief review of engineering “balance” challenges for electrolytes of all-solid-state lithium-metal battery[J]. Energy Storage Materials, 2025, 82: 104623.（IF=20.2，第一作者：梁耀輝）（圍繞全固態(tài)鋰金屬電池電解質(zhì)的“性能平衡”問題，系統(tǒng)討論無機、聚合物和復合固態(tài)電解質(zhì)在離子電導率、Li?遷移數(shù)、機械強度、界面阻抗和電化學穩(wěn)定性之間的協(xié)同優(yōu)化路徑。）

10. Localized high-concentration electrolyte enhances SEI structure for low-temperature lithium metal batteries[J]. Science China Chemistry, 2025, 68(9): 4519–4528.（IF=9.8，第一作者：李伯堯）（構(gòu)建局部高濃度電解液調(diào)控Li?溶劑化結(jié)構(gòu)，促進鋰金屬負極形成分層穩(wěn)定SEI，降低低溫脫溶劑化阻抗，實現(xiàn)?40 ℃下鋰金屬電池穩(wěn)定運行，為低溫功能電解液設(shè)計提供新策略。）

在科研創(chuàng)新的同時，團隊也持續(xù)推進人工智能賦能新能源材料與器件課程教學改革。圍繞新能源材料與電化學儲能領(lǐng)域人才培養(yǎng)需求，團隊依托系列教學改革與課程建設(shè)工作，逐步形成了優(yōu)秀教材、精品慕課、AI 教輔工具、虛擬仿真實驗平臺和校企聯(lián)合培養(yǎng)等多類型教學資源，探索構(gòu)建“師—生—機”三元一體教學模式。相關(guān)工作將生成式人工智能用于課程內(nèi)容更新、重難點知識可視化、個性化學習指導、實驗過程模擬和學習成效評價等環(huán)節(jié)，推動科研前沿、工程實踐與課堂教學深度融合，取得了良好的教學改革成效，也為新能源材料領(lǐng)域復合型創(chuàng)新人才培養(yǎng)提供了有力支撐。

附作者簡介：

湛煜，北京理工大學2024級博士生，師從陳楠副教授，研究方向為鋰電池電解液智能設(shè)計研究。以第一作者在Chem. Soc. Rev., Chem. Eng. J.等國際知名期刊發(fā)表SCI論文，并參與省部級重點工程、國家重點研發(fā)等項目。在校期間曾獲全國人工智能應用創(chuàng)新大賽國賽特等獎、零碳未來創(chuàng)新大賽國賽二等獎、中國研究生能源裝備創(chuàng)新設(shè)計大賽國賽三等獎、中國國際大學生創(chuàng)新大賽北京市二等獎等榮譽。

陳楠，北京理工大學副教授，博士生導師。于南開大學獲得學士學位，于北京理工大學獲得博士學位，師從吳鋒院士，曾在北京大學進行博士后研究，合作導師郭少軍。從事儲能鋰離子電池液態(tài)電解液和固態(tài)電解質(zhì)材料的基礎(chǔ)研究，在Chem. Soc. Rev., Adv. Mater., Angew. Chem. Int. Edit., Energy Environ. Sci., 等國際著名期刊發(fā)表論文70余篇，授權(quán)發(fā)明專利10項，作為負責人主持國家自然科學基金面上項目2項、國家自然科學基金青年項目、山東省重點研發(fā)項目、北京市自然科學基金，中國博士后基金特別資助和中國博士后面上一等資助等；講授本科生課程6門，講授中國大學MOOC課程2門，獲批教學教改項目7項，建設(shè)有虛擬仿真實驗平臺1個，長江雨課堂AI 課程 2 門；獲2018年顆粒學會優(yōu)秀博士論文獎，獲2020年北京市科學技術(shù)獎一等獎，獲2023年中國材料研究學會科學技術(shù)獎一等獎，獲2023年中國產(chǎn)學研合作創(chuàng)新與促進獎二等獎，獲2025年中國發(fā)明協(xié)會發(fā)明創(chuàng)業(yè)獎一等獎。

陳人杰，北京理工大學教授，博士生導師。入選國家級人才計劃，英國皇家化學學會會士、中國工程前沿杰出青年學者等。主要從事多電子高比能二次電池新體系及關(guān)鍵材料、新型離子液體及功能復合電解質(zhì)材料、特種電源用新型薄膜材料與結(jié)構(gòu)器件、綠色二次電池資源化再生、智能電池及信息能源融合交叉技術(shù)等方面的教學和科研工作。