（通讯员  陈建）2026年7月21日，我校黄云辉教授团队联合上海大学乔芸教授在《能源与环境科学》（Energy & Environmental Science）在线发表了题为“人工智能驱动的锂离子电池电解质化学：机制、进展与策略展望（Artificial intelligence-driven electrolyte chemistry for lithium-ion batteries: mechanisms, progress and strategic perspectives）”的综述。论文回顾了人工智能（AI）方法的发展历程，重点探讨了多源数据采集、特征工程策略，以及从监督学习和无监督学习到新兴生成式与基础模型的演进过程，并对其各自的优势、局限性和适用性进行了深入评估。此外，还重点介绍了多项基于AI的关键应用，包括以性能为导向的配方设计、界面反应的机制分析、溶剂化-结构预测，以及新型溶剂、锂盐和固态电解质的闭环优化，从而加速了电解质从端到端的发现进程，并指导高性能锂离子电池的实际应用。我校材料科学与工程学院、材料成形与模具技术全国重点实验室为论文第一完成单位及第一通讯单位，我校博士后陈建为论文第一作者，裴非副研究员、于逸飞教授、黄云辉教授以及上海大学乔芸教授为论文共同通讯作者。

人工智能关键技术

AI对电解液研究的赋能依托于机器学习（ML）、自然语言处理（NLP）与计算机视觉（CV）三大技术支柱的深度协同。ML通过构建成分-结构-性能的预测模型，实现了离子电导率、电化学窗口等关键参数的高通量筛选，结合领域专属描述符（如供体数、溶剂化自由能），显著压缩了实验试错成本，并在安全预警与寿命预测中发挥核心作用（图1）；NLP则赋予系统从海量非结构化文献中自动抽取化学实体、建立知识图谱的能力，可快速提取设计规则，更能反向生成针对高压、宽温等特定需求的分子结构，将碎片化知识转化为可执行的决策依据；CV聚焦于视觉信息的深度挖掘，从电极涂层缺陷检测到界面形貌的实时分割，从接触角动态量化到热场异常预警，为电解液浸润性、界面稳定性和热失控提供了可量化的时空反馈。

图1  ML技术用于电解液分子识别、应用及反馈过程的示意图

AI处理的关键要素

AI在电解液研发中的有效应用依赖于数据工程、特征工程、算法模型设计以及计算平台部署四个核心环节，形成从数据获取、特征表征到智能预测和决策优化的完整技术链（图2）。由于电解液体系具有多组分耦合、动态溶剂化结构和复杂界面反应等特点，高质量数据体系、特征提取以及适配性算法开发是实现AI可靠应用的关键。

图2  AI关键要素的示意图

AI在电解液中的应用

AI在电解液领域的应用已覆盖有机液体、离子液体和深共晶电解质等主要体系，其核心价值在于通过数据驱动的高通量筛选、多目标优化和机理解析，将传统依赖经验的试错模式转变为可预测、可迁移的理性设计范式。AI的应用高度聚焦于溶剂-盐-添加剂组合空间的快速遍历与非线性性能映射：精准预测溶剂化结构、锂离子配位数和扩散系数，捕捉SEI形成初期的键长、能量和电荷演变，为理解锂金属界面稳定性提供原子尺度洞察。

结论与展望

当前，AI的融入已使电解液研发从经验试错跃升至数据驱动的分子设计新范式，但要全面释放其工程化潜力，项目层面临机理解释性、多目标权衡、数据基础及寿命预测四大关键瓶颈，亟需以系统性策略集中突破。

(1) 在模型层面，必须构建融合DFT/MD计算与可解释机器学习的混合架构，打破“黑箱”局限，提取官能团、配位模式等化学规则，形成覆盖石墨、硅基及富锂正极的通用预测框架；(2) 在设计流程，应摒弃单性质优化，将闪点、热失控、产气等安全预测以及成本、可制造性评估直接嵌入优化循环，结合主动学习与多保真度实验，快速收敛于快充、宽温、高压等极端工况下的最优配方；(3) 建设社区共享的标准化数据库及机器人-自动电化学-原位表征-ML耦合的自主实验设施，以解决数据稀缺与质量不均这一核心障碍，大幅压缩合成-测试-验证周期；(4) 开发集成自由基链反应、界面催化、串扰等机理路径的动态降解预测模型，实现电芯及模组级寿命预测与状态管理。

论文链接：https://doi.org/10.1039/d6ee01488g

审核、校对：裴非、孙伟