科学通报AI入门系列 | 复旦大学晁栋梁教授团队：人工智能加速电解质设计与开发

先进储能电池是可再生能源高效利用的核心支撑，而电解质作为电池关键组分，直接决定其能量密度、安全性与耐用性。传统电解质研发依赖大量实验试错与计算化学模拟，但其庞大化学空间、复杂界面反应机制，以及理论模型与实际实验的鸿沟，导致研发周期长、成本高昂。

近年来，人工智能（AI）技术在材料科学与电池研发中的应用快速发展，为加速电解质设计与开发提供了新的方法。近日，复旦大学晁栋梁教授团队在《科学通报》发表题为“人工智能加速电解质设计与开发”的评述文章，聚焦AI在电解质设计领域的应用，梳理AI在材料筛选、机理探索中的实践，剖析AI与电解质研发结合在数据与算法层面的现存挑战，并展望交叉学科驱动的技术革新方向。

作为科学研究第四范式，人工智能技术凭借数据驱动建模能力，为突破电解质研发瓶颈提供了新路径。人工智能技术通常以数据为基础，通过机器学习算法对系统内部复杂机制进行建模，从而建立起输入特征与输出性质之间的数学关系。电解质数据以组分-物性-性能的研发链条为核心，涉及到材料组成、组分配比、电解质物性以及电化学性能，来源包括文献数据、高通量实验及理论计算等（图1）。采用可靠的电解质数据，结合不同的研究目的采取适配的AI算法，最终能够实现电解质AI智能开发。

图1 电解质数据与人工智能技术。(a) 电解质数据从组分到物性和性能的基本组成。 (b) 人工智能技术主要采用的典型机器学习算法及其与数据量、模型复杂度的关系

电解质主要包括液态和固态电解质，其材料组成、配方工艺、性能测试以及研究目标等方面具有不同的特性，因此基于数据和算法的AI研究方式也有所不同。本文针对液态（图2）和固态电解质（图3）在分子结构和材料组分筛选、配方设计和工艺优化、界面行为及机制解析等方面的应用进展进行了全面综述，涉及实验及文献数据利用、分子及配方表示、深度学习算法架构、机器学习分子动力学乃至自动化高通量实验等技术，阐述基于实验与计算数据库，利用机器学习算法构建电解质构效关系模型、探索电极-电解质界面作用机制、加速液态与固态电解质新材料开发的核心策略。

图2 AI筛选液态电解质配方。(a)以电解液整体化学组成为特征、库仑效率的对数形式作为标签进行机器学习建模, 结合特征重要性筛选关键溶剂进行性能验证。(b) 图卷积网络生成分子特征结合配方百分比形成配方描述符的电池性能预测网络。(c) 以Uni-Mol为底层预训练分子表示的多层次表示学习架构

图3 AI筛选固态电解质组分。(a)分子结构的消息传递网络连接阿伦尼乌斯方程参数生成离子电导率预测。(b) 以元素位点构建Hofmann复合物数据库, 结合扩散势垒计算和聚类发现快速导电的复合物组成。(c) 固态锂离子导体的层次聚类

本文深入分析电解质AI研发这一交叉领域面临的关键挑战：实验数据稀缺且质量不均，理论计算数据与实际性能存在偏差、经典算法易陷入局部最优、分子特征表征精度不足、大模型面临领域知识匮乏、推理幻觉等问题，并提出通过高通量实验扩充优质数据库，结合贝叶斯优化、主动学习以及强化学习等先进算法，构建电池电解质领域垂直大模型，并结合自动化实验平台，实现“AI设计-实验验证”的闭环研发模式（图4）。展望未来，随着人工智能在各领域的全方位落地，将人工智能与材料能源化学深度融合，将推动储能技术实现颠覆性变革，助力绿色可持续能源系统建设。

图4 人工智能以数据为基础，算法做工具，加速从电解质组分、整体构成、制备工艺到实际性能的开发

文章信息

李高阳, 刘欣, 晁栋梁*. 人工智能加速电解质设计与开发. 科学通报, 2026

doi: 10.1360/CSB-2025-5757

转载、投稿请留言

| 关注科学通报 | 了解科学前沿