化学基础模型引导设计高离子导电率电解质配方的创新方法

为解决锂离子电池电解质设计中组合空间庞大、组分间相互作用复杂的问题，Murtaza Zohair团队通过机器学习构建了基于SMI-TED化学基础模型的电解质性能预测系统（SMI-TED-IC）。研究通过13,666组实验数据微调模型，成功设计出7种新型高导电率电解质，使LiFSI和LiDFOB基电解质的导电率分别提升82%和172%。该成果发表于《npj Computational Materials》，为能源存储材料开发提供了通用性解决方案。

　　

锂离子电池作为现代储能技术的核心，其性能瓶颈往往源于电解质材料的限制。传统LiPF₆基电解质虽广泛应用，但存在热稳定性差、低温性能不足等问题。更令人头疼的是，电解质配方设计涉及海量组合空间——每增加一种组分，可能的配方数量呈指数级增长。面对这一挑战，Murtaza Zohair团队在《npj Computational Materials》发表的研究，开创性地将化学基础模型引入电解质设计领域。

研究团队采用三项关键技术：1）从27篇文献中收集13,666组电解质配方数据构建训练集；2）基于SMI-TED（SMILES Transformer Encoder Decoder）模型架构，开发能同时处理分子结构（SMILES字符串）和组分浓度的预测系统；3）通过生成式筛选从10⁵个虚拟配方中锁定高导电率候选物。实验验证采用对称硬币电池与电化学阻抗谱（EIS）测量。

模型性能与基准测试

通过UMAP降维可视化显示，SMI-TED-IC能准确捕捉溶剂分子的结构特征（图2b）。在测试集上达到0.1087 log₁₀(σ)的RMSE，优于传统图卷积网络（F-GCN）的0.1190。特别在数据稀疏的氟化醚类溶剂预测中，SMI-TED-IC误差比F-GCN低37%，证实其强大的外推能力（图3c）。

新型电解质设计

模型筛选出的五元溶剂体系（含DMSO）突破文献记载的三元溶剂上限（图5a）。实验验证的LiFSI基电解质导电率达19.14 mS/cm，比文献最优值提高82%（图5b）。最惊人的是LiDFOB基电解质，导电率提升172%（图5c），解决了该盐在碳酸酯溶剂中导电率低的行业难题。

讨论与意义

该研究首次证明化学基础模型在复杂配方设计中的通用性：1）突破传统黑箱模型只能优化固定组分系统的局限；2）通过预训练嵌入（91百万分子）实现小数据条件下的准确预测；3）发现多组分协同效应（如DMSO的意外作用）。如图6所示，44%的验证配方导电率超过10 mS/cm阈值，为锂金属电池等前沿领域提供全新材料解决方案。这种"生成式筛选"范式可扩展至催化剂设计、药物制剂等复杂混合物系统开发。