化工系陈翔课题组在人工智能模型预测电池电解液性质领域取得重要进展

发布时间: 2024-10-16 16:18:49 浏览次数 : 334 来源:清华大学

随着科技的飞速发展，电池在电动汽车、智能手机和笔记本电脑等领域的应用日益广泛，成为现代社会不可或缺的能源储存设备。电池由正极、负极和电解液三部分组成，其中电解液被誉为“电池的血液”，起着绝缘电子、传导离子的关键作用。电解液的物理化学性质直接影响了电池的性能，因此，深入研究和关注电解液的性质至关重要。

然而，电解液分子的组分繁多、种类丰富，传统的试错研究范式在面对如此复杂的体系时效率低下。在过去百年间，尽管研究人员不断探索，但真正被广泛采用的电解液分子仍只有数十种。随着高能量密度电池新体系的需求日益迫切，亟需突破现有研究方法，加速新型电解液分子的发现。人工智能技术的引入为解决这一挑战提供了有效工具，能够在复杂的分子空间中进行电解液性质的高效预测，大大加速了新分子的筛选与发现，为电解液的开发开辟了新的研究途径。

针对先进电解液设计的关键物性数据匮乏的关键难题，清华大学化工系陈翔-张强课题组已经在该领域开展了一系列创新研究。团队发展了电解液还原稳定性、介电常数、黏度等多种性质模拟计算方法与机器学习预测模型，开发了电解液高通量计算软件与人工智能设计平台，构建了全球领先的电解液数据库，为高效电解液研发提供了重要基础平台。结合人工智能方法，团队揭示了锂电池电解液离子–溶剂化学理论的普遍规律，结合可解释机器学习发现了影响电解液还原稳定性的重要描述符，为先进电解液的设计开发提供了新的理论参考。团队采用机器学习方法对电解液的介电常数进行了预测，研究方法适用于各类溶液体系，为高性能电解液的理性设计和高通量开发提供了可靠指导。

对于开发宽温域电解液而言，高通量获取电解液分子的熔点、沸点和闪点等关键物性至关重要。然而，模拟相变过程通常需要耗费大量时间和计算资源，且准确捕捉体系的平衡状态存在一定难度，从而影响了预测的精度。对于闪点而说，其预测不仅需要模拟物质的蒸发过程，还需考虑其与空气形成可燃混合物的温度，复杂性极高。当前对于熔点、沸点和闪点等物性的高效预测方法尚显不足，因此亟需开发更加高效且精确的预测模型。

为了解决这一挑战，陈翔-张强课题组开发了一种知识与数据双驱动的二次电池电解液分子性质预测框架——KPI(Knowledge-based electrolyte Property prediction Integration Framework，基于知识的电解液性质预测集成框架)。该框架不仅精确预测了电解液分子的关键性质，还深化了对分子构效关系的理解，为人工智能与领域知识的深度融合提供了新路径。

图1.知识和数据双驱动的二次电池电解液分子性质预测框架

为了构建精确的化学性质预测模型，研究人员不能仅仅依赖数据驱动的方法。现有的许多模型由于缺乏化学领域的基本直觉和常识，难以深入理解和解释分子行为背后的核心机制。虽然数据驱动的方法可以捕捉到一些规律，但在理解和解释分子构效关系时往往存在局限性。因此，KPI框架充分利用化学知识，并将其整合到数据驱动的模型中，使模型不仅在数学上精确，且在化学上合理，从而提升了预测的有效性和科学性。

KPI框架首先收集并整理了大量电解液分子的结构和性质数据，自动整理成结构化数据集。通过可解释的机器学习算法，框架从微观角度探索了分子的构效关系，并将这些发现的知识嵌入到最终的预测模型中。KPI框架在熔点、沸点和闪点的预测中分别实现了10.4、4.6和4.8 K的低平均绝对误差(MAE)。此外，KPI在20个测试数据集中的18个达到了先进的预测结果。通过分子近邻搜索和高通量筛选，团队还成功预测了29个潜在适用于宽温域和高安全性的电池场景下的分子，其中一些分子已被文献证实具有优异性能，为电解液分子智能设计提供重要指导。

图2.KPI框架指导电解液分子设计

KPI框架有效整合了数据分析、知识发现与分子性质预测，成为高通量获取电解液分子性质及其相关知识的强大工具。它为开发深度学习模型设立了新的标准，将化学知识的发现与嵌入有机结合，大大提升了人工智能方法在实际应用中的表现，为电池及其他相关领域的研发提供了有力支持。

相关研究成果以“知识与数据双驱动的二次电池电解液分子性质预测框架”(A Knowledge–Data Dual-Driven Framework for Predicting the Molecular Properties of Rechargeable Battery Electrolytes)为题，于10月11日发表于《德国应用化学》(Angew. Chem. Int. Ed)。

清华大学化工系副研究员陈翔为论文通讯作者，化工系2022级直博生高宇辰为论文第一作者，探微书院本科生袁誉杭、交叉信息研究院本科生黄索之、化工系2020级直博生姚楠、2021级直博生余乐耕、2023级直博生陈耀鹏，化工系教授张强为论文共同作者。研究得到国家自然科学基金、国家重点研发计划和北京市自然科学基金等的资助。清华大学高性能计算中心提供了计算资源的支持。