生成式人工智能助力开发下一代高性能镁电池的溶剂

《Advanced Materials》：Generative Artificial Intelligence Navigated Development of Solvents for Next Generation High-Performance Magnesium Batteries

镁电池溶剂开发通过AI筛选虚拟数据库，建立基于LUMO、ESPmin、ESPmax和Eb的机器学习模型，从823种溶剂中筛选出18个候选，实验验证DOX和DMP溶剂显著提升循环效率至99.54%和容量超2000mAh/cm2，方法可扩展至其他电池系统。

　　

摘要

传统的试错方法在寻找下一代镁（Mg）基电池的新型溶剂方面效率低下且成本高昂。因此，本研究通过将人工智能技术与虚拟分子数据库相结合，建立了一种简单而高效的溶剂筛选标准，有可能彻底改变传统的溶剂设计流程。利用自主研发的算法生成了823种溶剂，并通过机器学习（ML）模型分析了LUMO、ΔLUMO、ESP_min、ESP_max和E_i等参数来确定筛选标准。最终筛选出18种候选溶剂，其中两种（C1COCOC1和COCC(C)OC，分别简称为“DOX”和“DMP”）经过实验验证。值得注意的是，这两种溶剂此前均未被报道用于镁电池中。实验结果表明，当DOX溶剂与镁硼基盐Mg[B(hfip)₄]₂结合使用时，可以显著提升电池的电化学性能。在电流密度为1.0 mAcm^?2的条件下，经过5200次循环后，镁的沉积/剥离过程的平均库仑效率达到了99.54％。此外，Mg//Cu电池的累计容量超过了2000 mAhcm^?2，超过了以往的研究结果。总之，本研究建立了一个虚拟分子数据库，并基于溶剂的物理化学性质开发了一种高效的筛选方法，将候选溶剂的数量从823种减少到18种，效率提高了近50倍。这一研究方法不仅适用于镁电池的开发，也可广泛应用于其他电池系统的探索。

利益冲突

作者声明不存在利益冲突。