電解液是二次電池的重要組成，顯著影響電池的循環壽命、倍率性能、安全性能和工作溫度區間等。然而，電解液分子空間高達10⁶⁰，傳統“試錯”式篩選費時耗力，無法滿足快速材料創新的需求。

近日清華大學陳翔/張強團隊與北京科學智能平臺團隊合作，開發了首個二次電池電解液分子人工智能（AI）設計平臺——Uni-Electrolyte，該平臺融合了電解液分子設計、逆合成和SEI成膜機理三大功能，為下一代電解液分子創新提供了重要理論基礎與平臺支撐。

Uni-Electrolyte 平臺由 EMolCurator、EMolForger和 EMolNetKnittor三大模塊組成。其中，EMolCurator基于高質量第一性原理計算與分子動力學模擬數據庫（包含分子軌道能級、結合能、粘度和介電常數等關鍵指標），通過深度學習構建的定量構效關系模型和生成式模型，可以實現從海量候選分子中精準篩選并生成功能化電解液分子；EMolForger基于領域適配的圖神經網絡與逆合成規劃工具，可以輔助規劃電解液分子逆合成路線，并提供反應物、反應條件及成本分析；EMolNetKnittor利用蒙特卡洛模擬構建分子反應生成固態電解液界面膜的反應網絡，揭示電解液分子在電極表面的分解與聚合機理，為優化界面穩定性和循環性能提供理論依據。

研究團隊通過多個案例直觀展示各模塊在分子設計、逆合成路徑預測與反應網絡分析中的具體應用與優勢。

在AI輔助分子設計方面，作者以1,2-二甲氧基乙烷（DME）為例進行探究。原始數據集不包含DME分子，且僅有少量分子具有與DME類似的HOMO與LUMO能級。EMolCurator模塊依然可以有效生成具有目標HOMO與LUMO能級的分子，其中包括DME分子。

在反應網絡分析方面，作者以氟代碳酸乙烯酯（FEC）分解生成SEI為例進行探究。EMolNetKnittor模塊從FEC與鋰離子的初始配位結構Li⁺–FEC開始，預測了從單配位到雙配位的結構轉變，隨后發生開環反應形成中間體，中間體與另一個雙配位的Li⁺–FEC相互作用形成二聚中間體，最終形成聚合物SEI組分和LiF。預測結果與實驗觀察到的FEC在鋰電池負極的分解機理一致。

總結而言，Uni-Electrolyte平臺三個模塊相互協同，提供了一套強大而多功能的工具包，為二次電池先進電解液的智能化設計提供了重要平臺，有力地推動了下一代電池材料的創新。

Uni-Electrolyte: An Artificial Intelligence Platform for Designing Electrolyte Molecules for Rechargeable Batteries

Xiang Chen, Mingkang Liu, Shiqiu Yin, Yu-Chen Gao, Nan Yao,  Qiang Zhang

文章的第一作者是清華大學陳翔副研究員和北京科學智能研究院劉明康（現為新加坡國立大學博士生）。

Angewandte Chemie International Edition

DOI: 10.1002/anie.202503105