科學通報AI入門系列 | 復旦大學晁棟梁教授團隊：人工智能加速電解質設計與開發

先進儲能電池是可再生能源高效利用的核心支撐，而電解質作為電池關鍵組分，直接決定其能量密度、安全性與耐用性。傳統電解質研發依賴大量實驗試錯與計算化學模擬，但其龐大化學空間、復雜界面反應機制，以及理論模型與實際實驗的鴻溝，導致研發周期長、成本高昂。

近年來，人工智能（AI）技術在材料科學與電池研發中的應用快速發展，為加速電解質設計與開發提供了新的方法。近日，復旦大學晁棟梁教授團隊在《科學通報》發表題為“人工智能加速電解質設計與開發”的評述文章，聚焦AI在電解質設計領域的應用，梳理AI在材料篩選、機理探索中的實踐，剖析AI與電解質研發結合在數據與算法層面的現存挑戰，并展望交叉學科驅動的技術革新方向。

作為科學研究第四范式，人工智能技術憑借數據驅動建模能力，為突破電解質研發瓶頸提供了新路徑。人工智能技術通常以數據為基礎，通過機器學習算法對系統內部復雜機制進行建模，從而建立起輸入特征與輸出性質之間的數學關系。電解質數據以組分-物性-性能的研發鏈條為核心，涉及到材料組成、組分配比、電解質物性以及電化學性能，來源包括文獻數據、高通量實驗及理論計算等（圖1）。采用可靠的電解質數據，結合不同的研究目的采取適配的AI算法，最終能夠實現電解質AI智能開發。

圖1 電解質數據與人工智能技術。(a) 電解質數據從組分到物性和性能的基本組成。 (b) 人工智能技術主要采用的典型機器學習算法及其與數據量、模型復雜度的關系

電解質主要包括液態和固態電解質，其材料組成、配方工藝、性能測試以及研究目標等方面具有不同的特性，因此基于數據和算法的AI研究方式也有所不同。本文針對液態（圖2）和固態電解質（圖3）在分子結構和材料組分篩選、配方設計和工藝優化、界面行為及機制解析等方面的應用進展進行了全面綜述，涉及實驗及文獻數據利用、分子及配方表示、深度學習算法架構、機器學習分子動力學乃至自動化高通量實驗等技術，闡述基于實驗與計算數據庫，利用機器學習算法構建電解質構效關系模型、探索電極-電解質界面作用機制、加速液態與固態電解質新材料開發的核心策略。

圖2 AI篩選液態電解質配方。(a)以電解液整體化學組成為特征、庫侖效率的對數形式作為標簽進行機器學習建模, 結合特征重要性篩選關鍵溶劑進行性能驗證。(b) 圖卷積網絡生成分子特征結合配方百分比形成配方描述符的電池性能預測網絡。(c) 以Uni-Mol為底層預訓練分子表示的多層次表示學習架構

圖3 AI篩選固態電解質組分。(a)分子結構的消息傳遞網絡連接阿倫尼烏斯方程參數生成離子電導率預測。(b) 以元素位點構建Hofmann復合物數據庫, 結合擴散勢壘計算和聚類發現快速導電的復合物組成。(c) 固態鋰離子導體的層次聚類

本文深入分析電解質AI研發這一交叉領域面臨的關鍵挑戰：實驗數據稀缺且質量不均，理論計算數據與實際性能存在偏差、經典算法易陷入局部最優、分子特征表征精度不足、大模型面臨領域知識匱乏、推理幻覺等問題，并提出通過高通量實驗擴充優質數據庫，結合貝葉斯優化、主動學習以及強化學習等先進算法，構建電池電解質領域垂直大模型，并結合自動化實驗平臺，實現“AI設計-實驗驗證”的閉環研發模式（圖4）。展望未來，隨著人工智能在各領域的全方位落地，將人工智能與材料能源化學深度融合，將推動儲能技術實現顛覆性變革，助力綠色可持續能源系統建設。

圖4 人工智能以數據為基礎，算法做工具，加速從電解質組分、整體構成、制備工藝到實際性能的開發

文章信息

李高陽, 劉欣, 晁棟梁*. 人工智能加速電解質設計與開發. 科學通報, 2026

doi: 10.1360/CSB-2025-5757

轉載、投稿請留言

| 關注科學通報 | 了解科學前沿