“让高压电解液从经验筛选走向智能发现”——这并非遥远设想，而是北京理工大学材料学院陈楠和陈人杰教授团队面向下一代高能量密度锂电池提出的AI4B研究框架。针对高电压条件下电解液易氧化分解、界面反应复杂、候选配方空间庞大和传统经验试错效率较低等关键瓶颈，团队于2026年6月在《Chemical Society Reviews》（影响因子：39.3）上发表题为“AI for Battery Accelerated Discovery of High-Voltage Electrolytes for Advanced Lithium Batteries”的前瞻性综述，以AI for Battery（AI4B）为主线，系统总结了机器学习在高压电解液结构解析、失效机制分析、分子高通量筛选、配方多目标优化和自驱动闭环研发中的应用进展，并提出将数据驱动模型、物理化学机制、理论计算和实验验证相结合的高压电解液智能发现框架，为高比能锂电池电解液的理性设计提供了新的研究思路。论文第一作者为北京理工大学材料学院2024级博士研究生湛煜，通讯作者为陈楠副教授和陈人杰教授。文章链接：https://doi.org/10.1039/D4CS01250J
从经验试错到AI4B：高压电解液研究范式转变
随着电动汽车、智能装备和大规模储能技术快速发展，锂电池正向更高能量密度和更宽工作电压窗口演进。然而，高电压条件下传统碳酸酯电解液容易发生氧化分解，并诱发气体释放、界面膜失稳、过渡金属溶出和阻抗增长等问题，成为限制高比能锂电池进一步发展的关键瓶颈。与传统依赖经验试错的研究模式相比，机器学习能够在复杂分子结构空间、溶剂化环境和界面反应之间建立数据驱动关联，为高压电解液的快速发现和理性设计提供新的方法基础。
图1：传统电解液研发范式与AI4B范式对比
综述首先从研究范式层面对高压电解液开发进行了重新梳理。传统电解液研究通常以实验经验和逐步试错为主，面对庞大的溶剂、锂盐和添加剂组合空间，往往需要经历长周期筛选和反复验证。该过程不仅研发成本高，而且难以在分子结构、溶剂化行为、界面反应和电池性能之间建立可迁移的定量关系。
AI4B范式则强调以数据和算法为核心，将实验数据、理论计算、分子模拟和机器学习模型有机结合，构建跨尺度、多物理场的研究框架。该范式不仅用于候选分子的高通量筛选，还能够进一步服务于电解液失效机理识别、界面反应路径解析和多目标配方优化。综述指出，AI4B的核心价值在于将高压电解液研究从“经验驱动筛选”推进到“数据驱动预测、理论指导计算和实验验证反馈”相结合的系统化研究模式。
深度学习算法为电解液结构表征和候选分子生成提供工具基础
在算法基础方面，综述系统梳理了循环神经网络、卷积神经网络、图神经网络、生成对抗网络、变分自编码器、流模型、扩散模型和Transformer等代表性深度学习架构。不同模型对应不同类型的数据结构和科学任务：循环神经网络适用于序列数据处理，卷积神经网络适用于图像和谱图特征提取，图神经网络能够天然表达分子结构和相互作用网络，生成模型则可用于候选分子构建和化学空间探索，Transformer架构则在跨模态信息整合和复杂关系建模方面展现出重要潜力。
图2：深度学习算法体系及其在材料研究中的潜在作用
对于高压电解液研究而言，深度学习的关键作用不只是提高预测精度，更在于增强对复杂结构信息的表达能力。分子结构、溶剂化鞘层、界面反应中间体和表征谱图均具有高维、非线性和多尺度耦合特征，传统手工描述符往往难以完整刻画这些信息。深度学习通过自动特征提取和表示学习，为建立分子结构、局域环境、界面行为与宏观性能的关联模型提供了方法支撑。
AI4B视角下高压锂电池研发的阶段演进
综述进一步提出了高压锂电池研发从 HV 1.0 到 HV 3.0 的阶段性演进框架。在HV 1.0阶段，电池工作电压通常低于4.3 V，研究模式主要依赖实验经验、单因素优化和有限的机理模型，研发周期较长，成本较高。进入HV 2.0阶段后，电池工作电压拓展至约4.3–5.0 V，能量密度显著提升，但同时伴随更加复杂的电解液氧化、界面膜演化和电极耦合失效问题。在这一阶段，AI主要作为辅助工具，用于溶剂化结构预测、高通量筛选、代理模型构建、多目标优化和图像识别等任务。
图3：高压锂电池研究从HV 1.0到HV 3.0的演进路径
面向未来HV 3.0阶段，即超过5.0 V并追求更高能量密度的高压电池体系，AI4B有望从辅助分析工具进一步发展为闭环研发平台。其典型特征包括目标导向的电解液逆向设计、可合成性约束下的候选体系生成、自驱动实验室、机器人高通量平台、主动学习驱动的实验策略、数字孪生、多尺度机理建模和跨领域知识迁移。该框架表明，高压电解液设计不再只是寻找单一稳定分子，而是需要在电压稳定性、离子传输、界面成膜、安全性、成本和可制造性之间进行协同优化。
面向未来：电池基础模型、自驱动实验室、模型可解释性与Science for AI
在展望部分，综述指出，高压电解液研究未来仍面临数据稀缺、模型泛化能力不足、复杂界面机制难以定量解析以及实验反馈周期较长等挑战。为推动AI4B从概念框架走向可操作的研究体系，文章提出了四个重点方向：面向电池领域的专用基础模型、自驱动实验室、模型可解释性提升以及Science for AI。
图4：AI4B范式的未来发展方向
其中，电池领域基础模型需要以高质量文献数据、实验数据、计算数据和多模态表征数据为基础，建立能够服务于电解液结构解析、性能预测和候选体系生成的通用表示框架。自驱动实验室则通过机器人实验、高通量测试、实时数据分析和主动学习决策，实现电解液配方的快速迭代优化。模型可解释性对于电池研究尤为重要，因为高压电解液设计不仅要求模型预测准确，更要求模型能够揭示分子结构、溶剂化环境和界面反应之间的物理化学联系。Science for AI则强调从物理、化学、概率统计、群论和神经科学等基础科学中吸收新思想，反向推动更适合科学问题的人工智能方法发展。
团队在吴锋院士牵头下，长期面向国家重大能源需求开展二次电池研究。自20世纪90年代起，团队持续推进镍氢电池关键技术研发，随后在锂离子电池及多电子高比能二次电池新体系方面形成了系统布局与特色积累。近年来，团队在电解液设计、界面调控、智能电池和多尺度机理分析等方向形成了系统积累。该综述的发表进一步体现了团队在人工智能与电化学储能交叉方向的持续布局，也为推动高压锂电池从经验开发走向数据驱动和机制约束相结合的智能研发提供了新的思路。
课题组近期在功能电解质材料方面的部分代表性工作如下：
1. Hopping-Phase Ion Bridge Enables Fast Li+ Transport in Functional Garnet-Type Solid-State Battery at Room Temperature[J]. Advanced Materials, 2025, 37(11): 2415966.（IF=26.8，第一作者：杨斌斌）（构建跳跃相离子桥，释放纤维素含氧极性基团的Li⁺传输活性，并在功能化LLZTO与PVDF界面形成高速离子通道，降低异质界面迁移阻力，实现室温石榴石基固态电池快速Li+传输。）论文链接：https://doi.org/10.1002/adma.202415966
2. Tiny-Ligand Solvation Electrolyte Enabled Fast-Charging Aqueous Batteries[J]. Angewandte Chemie International Edition, 2025, 64(14): e202423808.（IF=16.9，第一作者：尚妍欣）（提出微型配体溶剂化电解液设计，通过TEOC构建低位阻、低结合能的Li⁺溶剂化鞘层，抑制水活性和析氢反应，拓宽水系电解液电化学窗口，并促进LiF富集界面膜形成，实现水系锂离子电池快速充电。）论文链接：https://doi.org/10.1002/anie.202423808
3. Super-Ionic Conductor Soft Filler Promotes Li⁺ Transport in Integrated Cathode–Electrolyte for Solid-State Battery at Room Temperature[J]. Advanced Materials, 2024, 36(27): 2403078.（IF=26.8，第一作者：杨斌斌）（提出超离子导体软填料概念，以锂化纳米纤维素构建双通道Li⁺传输网络，兼顾聚合物相容性、阴离子锚定和电极–电解质一体化接触，显著提升室温固态电池离子传输与循环稳定性。）论文链接：https://doi.org/10.1002/adma.202403078
4. Bipolar Polymeric Protective Layer for Dendrite-Free and Corrosion-Resistant Lithium Metal Anode in Ethylene Carbonate Electrolyte[J]. Angewandte Chemie International Edition, 2024, 63(17): e202400619.（IF=16.9，第一作者：邓成龙）（构筑含羟基和氰乙基的双极聚合物保护层，通过氢键俘获EC并调控Li⁺脱溶剂化，同时锚定TFSI⁻以缓解浓差极化，实现碳酸酯电解液中锂金属负极的抗腐蚀和无枝晶沉积。）论文链接：https://doi.org/10.1002/anie.202400619
5. Cofactor-Assisted Weakly Solvated Electrolytes for Low-Temperature Charging of Graphite Anode[J]. Advanced Functional Materials, 2025, 35(39): 2504252.（IF=19.0，第一作者：田佳宁）（提出辅因子辅助弱溶剂化电解液，利用氟代非极性分子调控THF表面电荷分布，重排Li⁺局域溶剂化结构，抑制醚溶剂共嵌入石墨，并诱导形成LiF/Li₃N富集SEI，实现石墨负极低温可逆充电。）论文链接：https://doi.org/10.1002/adfm.202504252
6. Deep Eutectic Interlayer Design for Stability Enhancement in LLZTO Solid-State Lithium Batteries[J]. Advanced Functional Materials, 2026, 36(8): 2513024.（IF=19.0，第一作者：龙思宏）（引入琥珀腈基深共晶界面层改善LLZTO/PAN复合固态电解质与锂金属之间的固–固接触，促进稳定致密SEI形成，降低界面阻抗并提高Li⁺迁移数，为高稳定固态电解质界面调控提供方案。）论文链接：https://doi.org/10.1002/adfm.202513024
7. Strong association dual lithium salts for ether-based electrolyte enable 4.5 V high-voltage lithium metal battery[J]. Energy Storage Materials, 2025, 78: 104264.（IF=20.2，第一作者：孙立谱）（设计强缔合双锂盐醚基电解液，通过LiDFP/LiNO3诱导阴离子主导溶剂化和AGG聚集结构，同时稳定锂金属负极SEI与高压NCM811正极界面，实现4.5 V高压锂金属电池长循环运行。）论文链接：https://doi.org/10.1016/j.ensm.2025.104264
8. Li2CO3 contamination in garnet solid electrolyte: Origins, impacts, and mitigation strategies[J]. Energy Storage Materials, 2025, 77: 104173.（IF=20.2，第一作者：石宁）（系统总结石榴石固态电解质中Li₂CO₃污染的来源、形成机制及其对离子传输、界面接触和枝晶生长的不利影响，并归纳掺杂、涂层、去除与转化策略，为空气稳定固态电解质设计提供依据。）论文链接：https://doi.org/10.1016/j.ensm.2025.104173
9. A brief review of engineering “balance” challenges for electrolytes of all-solid-state lithium-metal battery[J]. Energy Storage Materials, 2025, 82: 104623.（IF=20.2，第一作者：梁耀辉）（围绕全固态锂金属电池电解质的“性能平衡”问题，系统讨论无机、聚合物和复合固态电解质在离子电导率、Li⁺迁移数、机械强度、界面阻抗和电化学稳定性之间的协同优化路径。）论文链接：https://doi.org/10.1016/j.ensm.2025.104623
10. Localized high-concentration electrolyte enhances SEI structure for low-temperature lithium metal batteries[J]. Science China Chemistry, 2025, 68(9): 4519–4528.（IF=9.8，第一作者：李伯尧）（构建局部高浓度电解液调控Li⁺溶剂化结构，促进锂金属负极形成分层稳定SEI，降低低温脱溶剂化阻抗，实现−40 ℃下锂金属电池稳定运行，为低温功能电解液设计提供新策略。）论文链接：https://doi.org/10.1007/s11426-024-2586-x
在科研创新的同时，团队也持续推进人工智能赋能新能源材料与器件课程教学改革。围绕新能源材料与电化学储能领域人才培养需求，团队依托系列教学改革与课程建设工作，逐步形成了优秀教材、精品慕课、AI 教辅工具、虚拟仿真实验平台和校企联合培养等多类型教学资源，探索构建“师—生—机”三元一体教学模式。相关工作将生成式人工智能用于课程内容更新、重难点知识可视化、个性化学习指导、实验过程模拟和学习成效评价等环节，推动科研前沿、工程实践与课堂教学深度融合，取得了良好的教学改革成效，也为新能源材料领域复合型创新人才培养提供了有力支撑。
附作者简介：
湛煜，北京理工大学2024级博士生，师从陈楠副教授，研究方向为锂电池电解液智能设计研究。以第一作者身份在Chem. Soc. Rev., Chem. Eng. J.等国际知名期刊发表SCI论文，并参与省部级重点工程、国家重点研发等项目。在校期间曾获全国人工智能应用创新大赛国赛特等奖、零碳未来创新大赛国赛二等奖、中国研究生能源装备创新设计大赛国赛三等奖、中国国际大学生创新大赛北京市二等奖等荣誉。
陈楠，北京理工大学副教授，博士生导师。于南开大学获得学士学位，于北京理工大学获得博士学位，师从吴锋院士，曾在北京大学进行博士后研究，合作导师郭少军。从事储能锂离子电池液态电解液和固态电解质材料的基础研究，在Chem. Soc. Rev., Adv. Mater., Angew. Chem. Int. Edit., Energy Environ. Sci., 等国际著名期刊发表论文70余篇，授权发明专利10项，作为负责人主持国家自然科学基金面上项目2项、国家自然科学基金青年项目、山东省重点研发项目、北京市自然科学基金，中国博士后基金特别资助和中国博士后面上一等资助等；讲授本科生课程6门，讲授中国大学MOOC课程2门，获批教学教改项目7项，建设有虚拟仿真实验平台1个，长江雨课堂AI 课程 2 门；获2018年颗粒学会优秀博士论文奖，获2020年北京市科学技术奖一等奖，获2023年中国材料研究学会科学技术奖一等奖，获2023年中国产学研合作创新与促进奖二等奖，获2025年中国发明协会发明创业奖一等奖。
陈人杰，北京理工大学教授，博士生导师。入选国家级人才计划，英国皇家化学学会会士、中国工程前沿杰出青年学者等。主要从事多电子高比能二次电池新体系及关键材料、新型离子液体及功能复合电解质材料、特种电源用新型薄膜材料与结构器件、绿色二次电池资源化再生、智能电池及信息能源融合交叉技术等方面的教学和科研工作。
