基于金砖国家的离子液体生成方法与人工智能辅助筛选技术：深入探讨电解质中锂离子传输的机制原理

《Journal of Chemical Information and Modeling》：BRICS-Based Generation and AI-Assisted Screening of Ionic Liquids with Mechanistic Insights into Lithium Transport in Electrolytes

离子液体（ILs）数据库构建及AI预测性能研究。采用BRICS方法建立包含167350种阳离子、2460种阴离子和近10^8种潜在ILs的数据库，积累10^5量级性质标签用于训练AI模型预测离子电导率、电化学窗口和熔点。比较XGBoost、MLP与GCN、GAT模型效果，发现前两者在小数据集下表现更优。提出ILScore筛选合成可行的IL，通过分子动力学模拟验证200个锂电池电解质候选。提出运输解耦因子（TDF）区分三种锂传导机制，为克服IL研究数据稀缺提供化学信息驱动AI方法。

　　

离子液体（ILs）由于其低挥发性、不易燃性和优异的电化学稳定性，成为可持续能源存储设备的理想电解质。然而，由于相关数据的缺乏，阻碍了其在多种应用中的合理设计。在这里，我们提出了一种基于BRICS框架的方法，构建了迄今为止最大的离子液体数据库，该数据库包含167,350种阳离子、2,460种阴离子以及近10^8种潜在的离子液体。通过高通量密度泛函理论（DFT）计算和文献检索，我们为数据库中的离子液体积累了约10^5个标记属性，这为开发预测约10^7种离子液体电导率、电化学窗口和熔点的AI模型奠定了基础。研究结果表明，即使在数据量较小的情况下，XGBoost和MLP模型也能表现出最佳性能，而基于图的模型（如GCN和GAT）则需要更大的数据集才能达到类似的准确度。我们引入了ILScore评分系统来筛选具有合成可行性的高性能离子液体，并通过分子动力学模拟对200种代表性锂离子电池电解质候选物进行了验证。我们还提出了一种传输解耦因子（TDF），用于区分离子液体电解质中的三种锂传导机制。这项工作展示了如何在数据稀缺的情况下，利用化学知识和计算方法来克服研究难题，同时为未来的离子液体设计和性能预测工作提供了丰富的数据支持。