NGenE 2025：用于实现能源充裕的电化学技术

《ACS Energy Letters》：NGenE 2025: Electrochemistry for Energy Abundance

　　下一代电化学（NGenE）是一个自2016年起每年举办的为期一周的研讨会，旨在吸引从事电化学研究的博士后和博士生。NGenE假定参与者具备基础电化学知识，因为它探讨的不是“什么是电化学？”而是“电化学将发展成什么？”世界著名的研究人员会介绍前沿领域的根本性挑战，并与参与者就未来变革的机会进行热烈讨论，这些内容在之前的《能源焦点》文章中也有提及。(1,2) 2025年，NGenE的重点是电化学在解决当今能源需求方面的作用，从自动驾驶汽车到核燃料回收，旨在为所有人提供丰富的能源途径。由人工智能（AI）算法的爆发推动的持续革命在报告中占有重要地位，既涉及AI的应用，也涉及数据中心建设热潮对能源生态系统带来的挑战。

NGenE的参与者被要求阐述他们认为未来电化学家面临的最关键问题。他们被分成小组，每个小组都撰写了一份简短的报告并进行了展示。本文总结了他们的成果，其中包括在特定应用领域的进展，以及在多个潜在用途中具有跨领域意义的创新。我们分享这些成果是为了收集行业反馈，并激励人们追求研究前沿的方向。

1. 加强材料供应链：新原料、负责任采矿和回收
对关键矿产的需求持续增长。锂、钴、铂族金属（PGMs）和稀土元素（REEs）对于稳定电网服务、量子设备和先进计算至关重要。历史上，技术解决方案往往侧重于高性能和低成本，而忽视了产品生命周期的管理。因此，大多数设备难以回收，导致废料增加和宝贵原材料的流失。在美国，对许多这类战略材料的高度依赖既带来了经济脆弱性，也引发了国家安全问题。

锂离子电池正在全球范围内改变地面交通方式，并迅速扩展其在电网中的应用，从而支持数据中心的超大规模扩展。因此，预计本十年内对锂、钴、镍和石墨的需求将显著增加，但由于全球回收率低(4)和元素回收率低(5)，这给采购和供应可靠性带来了压力。铂在许多电化学设备中至关重要，但主要产自少数几个国家，年产量约为180吨。虽然湿法冶金工艺可以实现高回收率(6)，但工艺挑战限制了最终可回收的数量(7)，并引发了需求可能很快超过供应的担忧(3)。铱是电解槽中不可或缺的元素，但地球上每年产量不足10吨，且几乎没有回收基础设施(3)。

世界海洋中含有大量的矿产资源(8)，包括许多用于电化学技术的关键元素(9)。例如，某些元素（如镍或钴）的海洋储量远超过陆地资源(8)。尽管历史上海水净化与矿物提取结合的方式能耗过高，难以大规模应用，但电化学技术的革命可能会成为解锁地球上最丰富资源的关键。这些技术还可以从现有废物流中“开采”关键材料。然而，要实现循环利用、模块化和效率，还需要对复杂的关键矿物原料有更深入的理解。我们指出了以下科学障碍：(1) 次级原料的浓度低且成分不均匀；(2) 对组分的热力学稳定性和动力学寿命了解有限；(3) 缺乏指导多尺度及适应性分离的可靠数据和技术经济模型。我们认为以下研究方向将有助于克服这些挑战：

1.1 材料回收的挑战及潜在的电化学解决方案
实际原料具有复杂的化学性质和动态变化的特点。目前的分离技术是为固定成分和狭窄的目标范围设计的，因此特别不适合从海水中提取关键材料——因为在海水中这些元素的浓度仅为ppb或ppt级别，而Na+、Cl–、Mg2+和K+的浓度则高得多。因此，需要处理大量海水才能获得少量金属，这在经济上是不可行的。提高这种低浓度下关键金属的有效分离效率应是优先事项。这需要跨学科的努力，涵盖材料发现与设计、电化学工程和工艺设计(图1)。

图1. 示意图展示了从各种原料中高效进行电化学分离和材料回收的路径。图2和图3中的插图由ChatGPT（GPT-5，2025年8月）根据“生成一个研究实验室的简单示意图”和“生成一个工业规模反应器的简单示意图”等提示生成。生成的内容经过手动编辑以确保图表的清晰度。

我们提出，电化学分离的下一个前沿在于适应性：能够根据变化的条件自动重新配置行为的系统。受生物离子通道启发的氧化还原可切换配体可以集成到基于电池架构和机器学习（ML）算法的流动设计中，以实现实时感知和控制(10)。这一原理将提升现有的膜基技术。我们概述了三个对此目标不可或缺的进展：(1) 开发能够在施加电位下调节离子选择性的可调电化学膜；(2) 设计能够针对不同废物流进行自适应控制的模块化多进料电化学单元；(3) 集成AI引导的平台以实现实时性能优化。这些步骤解决了技术瓶颈（如低选择性和固定功能）以及当前技术的系统性限制。总体而言，这些创新可以为确保关键材料的安全供应开辟新途径，使电化学成为实现能源丰富的基石。

1.2 利用AI简化材料回收并识别合适的提取技术
AI工作流程有望识别从复杂原料中提取关键材料的最有效方法。它们可以根据最具吸引力的目标元素对不同废物流进行分类，并映射出能够回收这些元素的电化学技术，同时结合文献检索和材料回收及采集的关键标准。这些标准包括特定电化学方法的身份和来源、溶剂选择与电解质基质的兼容性，以及相对于最终材料稀缺性的输出、产率和循环寿命等目标。ML模型通过系统的数据准备、特征工程、评估和迭代优化来提升这一能力(11)。AI驱动的计算机视觉系统可以自动化拆卸和分类报废设备，识别材料成分并预测剩余使用寿命(12)和回收策略(13)。基于分析数据的ML模型有助于快速准确地检测各种废物流中的关键材料。

在回收操作中，AI可以通过预测建模或强化学习来优化工艺参数，从而提高产量并减少浪费。一个迭代的实验工作流程如下：现有数据指导初步尝试，通过调节pH值和施加电位等参数来分离所需材料。分析后的产品流用于训练ML模型。根据ML预测不断调整实验条件，直到达到所需的选择性。这种方法可以应用于任何目标材料，以确定最佳分离条件。计算方法可以通过预测更广泛元素和提取场景的基本热力学和动力学行为来增强训练数据集。基于这些预测，排除热力学上不利的提取方法。对于剩余可行的路径，ML进一步评估能源效率、成本效益和环境影响，以推荐最佳的提取方法组合。

一个持续的挑战是，研究人员通常只研究单一技术在多种原料上的应用，或在固定框架内比较不同技术。这种方法受到可进行实验次数的限制、变量组合的无限可能性以及系统之间的差异的影响，这些都是分离研究中的常见问题(14)。ML可以连接看似不相关的研究，但强大的模型需要更多数据。通过自动化快速原型设计和测试可以扩展数据库。一个可行的系统将集成多个自动化的电化学单元，以实现定向提取。在预先计算出的最佳路径指导下，AI系统将动态控制操作参数，以高效且有选择性地执行提取过程。

性能指标必须由科学界和技术界共同定义，以便在不同研究小组之间进行有意义的比较。最终模型的输入应包括目标回收材料、盐水成分和处理水量，以便输出最佳技术和操作参数。AI/ML工具正在实现实时决策的新能力，支持通过数字材料护照进行生命周期跟踪和预测物流，并推动闭环回收系统的实现(15)。虽然这一目标具有挑战性，但AI和自动化实验的快速进展为这一方向提供了可行的路径，使ML成为闭环优化中的积极参与者而不仅仅是分析工具。

1.3 社会影响评估
提取关键材料的系统应与废水处理、海水处理、盐水和采矿尾矿处理设施相结合，以提高资源利用效率。为了促进规模化和实施，并为工艺设计的AI/ML模型提供依据，重要的是要考虑所提出技术的经济技术和生命周期评估（TEA和LCA）。这种综合方法不仅将确定经济可行性路径，还将评估设施所在社区的下游影响。TEA应包括详细的工艺建模和多种部署场景下的成本预测。LCA将量化关键环境指标、用水量和废物生成量，并与传统采矿做法进行对比。同时，应与利益相关者合作，促进社会接受度，识别劳动力发展机会，并评估监管考虑因素。这些见解必须整合到设计和放大阶段，确保创新不仅在技术和经济上可行，而且在社会上也具有积极影响。

1.4 规模化和分散式系统用于商业应用
对于任何具有工业意义的研究来说，可扩展性都至关重要。将电化学过程从实验室扩展到工厂会面临制造效率以及生产设施的机械和物理要求方面的挑战。与全规模工厂相比，分散式模块化电化学系统可以减少放大挑战，并为天生适合模块化的技术提供可行的路径。例如，分散式盐水增值系统在运输成本、操作便捷性（由于规模较小）以及与其他单元操作的协同作用方面具有优势。即便如此，工程努力仍需解决与多单元操作相关的规模化和系统可靠性维护问题。自动化对于分散式系统尤为重要，以弥补单点操作的效率损失。具体示例包括：(1)跟踪原料基质浓度的变化，以调整施加的电流密度，从而最小化竞争过程；(2)监测回收产品的纯度，以确定是否需要激活电极再生协议。最近在水中检测稀释化合物的电化学传感技术取得了进展，可以实现ppb级别的检测(16)，但在更复杂基质中提高准确性仍十分必要。

1.5 政策考虑
除了技术研究和工程之外，推进电化学应用还需要协调的政策举措。国际间的合作，以及学术界、工业界、政府和当地社区之间的合作，可以促进知识共享和基础设施的获取，从而有效消除目标电化学系统的瓶颈。广泛采用和未来创新将受益于开放获取的数据集和经过验证的框架，特别是那些适合AI模型理解的格式。鉴于政府越来越重视关键材料新供应链的重要性，鼓励从废物流中回收和采集的关键材料的政策框架将至关重要。资助机构和行业在支持创新工艺和模块化电化学系统的研发方面发挥着重要作用。最后，提高投资者对回收和采集关键材料的经济效益及分散式电化学方法的认识的活动可以加速这些技术的商业化应用。从长远来看，这项努力将加强关键材料的国内供应链，并为下一代采矿提供具有全球意义的蓝图，同时考虑到当地社区的需求。2. 通过明确映射缺陷和界面景观来设计电化学材料电化学应用严重依赖于活性和耐用材料的发展。在电化学科学的历史这一阶段，普遍认为实现这一目标需要一个集成的实验-计算框架，将材料合成和表征与原子级模型相结合，最近还包括利用机器学习（ML）在复杂的化学空间中进行导航。为了推进这种整合，材料库应该超越典型的块状格式，以实现对其组成、粒径和形态以及表面暴露的精确控制。为了加速合成，自动化的高通量平台必须进一步发展，以系统地改变工艺参数，从而快速生成针对特定电化学反应的候选材料。鉴于材料的组成和结构复杂性，一旦考虑了形态和表面特征，开发AI/ML模型就变得不可或缺。通过结合实验数据和理论数据以及化学启发式方法，ML驱动的预测模型可以优先选择合成目标，确定结构/组成-性能关系，并实现逆向设计。必须强调可解释性和不确定性量化，以确保模型的可靠性，在这方面自动化实验将再次发挥重要作用（图2）。

图2 图2. 材料或工程过程闭环发现的示意图。该图中的插图是由ChatGPT（GPT-5，2025年8月）通过特定提示生成的，例如“创建两个电极浸入电化学电池中的简单图像”。

高分辨率图像 下载MS PowerPoint幻灯片

2.1. 材料设计的下一个前沿：按需控制固体和液体中的缺陷缺陷作为控制材料性能的有效参数，已经得到了研究界的广泛关注。(17) 例如，在可充电电池中，固体电极和电解质中的缺陷生成可以通过促进快速离子扩散来提高性能。(18) 尽管固态材料中缺陷的重要性已经得到充分理解，但大多数电化学过程发生在液态水/非水电解质中。液相电解质由于由溶解在自由溶剂分子中的离子组成，其有序程度远低于晶体固体，因此带电中心之间的力相对较弱。然而，分子内力仍然存在，并且可以产生随电解质组成可预测变化的明确溶剂化结构。(19) 最近的研究趋势强调了溶剂化环境与电化学行为之间的关系。由于修改溶剂化结构提供了强大的控制手段，引入调节这些力的添加剂可以被视为在液态电解质系统中引入“缺陷”。(20) 本质上较高的结构无序程度意味着许多潜在的决定因素在起作用，这进一步增加了相对于晶体系统的复杂性。因此，为特定功能设计液态电解质中的缺陷仍然是一个漫长而具有挑战性的过程，目前才刚刚开始得到充分认识。要理解电化学系统中的缺陷形成，需要涵盖广泛组成和工作范围的大量高质量数据集。高通量实验能够快速扩展具有系统变化参数的材料库。(21) 这些平台需要整合多种技术，为水性和非水性系统提供全面的结构、化学和电化学数据。这些数据集的规模和复杂性将需要无监督算法来揭示隐藏的模式，而监督模型则将缺陷特征与电化学性能联系起来，并通过密度泛函理论（DFT）进行增强，以获得更准确的基于物理的预测。这种闭环方法理想情况下将利用训练有素的模型通过主动学习指导新实验，不断优化缺陷-性能关系。这样的发展将使得能够进行迭代实验活动，精确调整合成参数和电化学协议，以控制缺陷形成并最小化降解。最终，我们应该将缺陷结构与实际电化学输出相关联：电池的速率能力和寿命；从小型分子到药品的电催化反应的产品输出；以及块状金属的制造。

2.2. 控制电化学界面的持续挑战尽管几十年来控制界面一直是一个经典目标，但探测甚至控制电化学中的界面仍然是一个核心挑战，因为界面通常很薄、异质性强、局限于纳米尺度，并且在化学上与其他以更高浓度存在的系统组分相似。尽管尖端表征和计算方法的进步显著提高了对界面组成和结构的理解，(22) 但建立明确的结构-性能-性能关系仍然是一个难题。此外，微观界面现象最终必须与宏观设备行为联系起来，这是一个多尺度的重大挑战。我们强调了不仅在定义界面结构方面，而且在工作条件下其演变方面的复杂性。例如，对于CO2/CO电解器来说，长期耐久性至关重要，(23) 但由于界面降解复杂且分布在催化剂、离子聚合物、膜和气体扩散层等多个组分上，稳定性数据仍然有限。界面和操作技术现在能够实时跟踪这些过程，当与计算工具结合使用时，可以支持预测降解并指导设计的ML模型。新兴的加速应力测试（AST）协议，特别是在动态条件下，可以复制长期效应。另一个说明性的例子是电池中的钠金属阳极，电解质和电流收集器的选择在实现可逆电镀/剥离和稳定界面方面起着关键作用。电解质设计必须在电镀/剥离的内在活性与抗还原表面的稳定性之间取得平衡，而反应涉及体积和形态的深刻变化，这会重建最初设计的界面层。在完整的电池中，电极现象之间也可能发生相互作用。进展将取决于主导有时相互竞争的界面现象的动态相互作用和演变。虽然完全解决电化学系统中的界面挑战需要实现许多里程碑，但我们确定了五个成功的关键步骤。(1) 数据集开发：为相同的材料系统开发标准化的计算和实验表面-系统数据集，以确保一致性和兼容性。(2) ML模型开发：开发能够桥接计算和实验数据集的ML模型，实现跨数据模式的可靠转换和预测。(3) 多尺度扩展：将数据集开发和ML建模框架扩展到所有相关的长度和时间尺度，从原子尺度到设备级别。(4) ML模型的应用：应用训练有素的模型来揭示关键描述符，并制定新的设计规则和界面工程的指导原则。(5) 在ML模型中纳入场效应：开发能够捕捉场效应对界面物种影响的ML模型，结合计算和实验数据在真实条件下进行桥接。

3. 革新电化学系统的知识基础设施提供能源丰富性不仅仅需要渐进式的改进；它要求在材料设计、设备适应性和系统智能方面实现飞跃性进步。正如本文所展示的，我们认为我们已经达到了一个转折点，我们拥有丰富的方法来训练ML模型，实现材料的逆向设计和操作条件的实时控制。ML不再仅仅是一个分析工具，而是闭环优化中的积极参与者（图2）。这些创新共同开辟了支持去中心化制造和确保供应链的新途径。最终，通过智能数据系统的增强，电化学可以利用ML成为有弹性和可扩展的能源基础设施的基石。然而，要充分发挥其潜力，这种方法目前受到最重要的限制：以算法可读方式结构化的大量高质量数据。我们认识到这一主要挑战，并提出以下解决方案。尽管同行评审出版物数量迅速增加，但可重复性危机仍然存在。(24) 影响因素包括选择性报告和有缺陷的实验设计。一个主要挑战是不同学科之间缺乏标准化协议。为了加速创新，我们的社区必须超越过时的试错方法，采用标准化的基准和协议。长期稳定性测试和可重复性对于评估材料耐久性至关重要。此外，不同技术成熟度之间的合作对于确保标准不仅反映明确定义的基本参数，还反映电化学设备在实际应用中的相关条件至关重要。自动化实验室和ML的整合可以彻底改变这些基准的开发。在电化学中，不一致的电池设计、电解质和分析方法破坏了可比性和可重复性。这种碎片化阻碍了跨研究的结论并减缓了进展。循环（实验室间）研究通过在不同实验室测试相同的材料和协议提供了一个有希望的解决方案。一项关于碱性电解的研究涉及11个机构，使用共享的电池设计、材料和程序。尽管进行了这种协调，结果仍然存在显著差异，即使在受控条件下也是如此。(25) 在固态电池中，对电解质指标的单独研究表明，多个专家团队的结果分散程度非常大。(26) 实际上，循环研究到目前为止在揭示隐秘的不一致性方面更为有效，而不是证明这些问题在短期内可以容易解决。解决这一可重复性挑战将需要数据生成的进步、新算法的开发以及支持长期准确性的新型机构设计。

3.1. 人工智能加速对电化学系统的理解任何标准化努力，最终是参考材料数据库的整理，都必须面对从电化学测量中提取和记录知识往往具有挑战性的简单事实。这一挑战需要一个综合框架，结合以下内容：(1) 来自不同电化学系统的数据，(2) 对感兴趣的电化学反应的机制描述注释，以及(3) 学会将电化学特征与失效路径映射起来的AI/ML模型。例如，在锂离子电池中，可以从数千个循环曲线中提取电化学特征，并用于训练模型以分类和预测特定的降解模式。(27) 为了在这一方向上取得有意义的进展，我们确定了两个具体的里程碑。(1) 标准化电化学数据集的开发：这些数据集应包含丰富的元数据记录，详细说明材料、处理条件、操作温度、电流密度、电解质组成和降解特征。格式必须标准化，以实现实验室间的可比性。(2) 开发增强型AI电化学现象知识提取引擎：该工具将利用自然语言处理从已发表的文献中提取关键实验条件、降解路径和电化学响应。最终，这一框架将使ML算法能够充当“电化学翻译器”，解释原始电压/电流数据以推断系统状态、诊断故障并推荐下一步行动。该框架应基于数据和性能之间的机制性信息关系，以支持诊断和反馈控制。

3.2. 用于标准化实验常规和数据管理的电化学中心虽然数据管理的进步将导致新的电化学结果存储库，但碎片化和冗余的风险仍然存在，无论是在前端（具有相似数据和不同整理的多个存储库）还是后端（多个没有明确区分的算法）。最终，我们相信AI和研究自动化的时代将需要新的机构和组织模式。作为一个例子，我们设想创建电化学标准研究所，其主要目的是整理、开发和推广标准化的电化学指标，以实现更可靠的实验室间比较并加速整个领域的进展。这些机构可以从美国国家标准与技术研究院（NIST）获得灵感。它们不仅作为数据库的生成者，还作为标准的维护者。一种可能性是集中收集高质量的标准化电解质数据，就像粉末衍射社区使用特定的LaB6标准进行仪器校准一样。电解质将在水性和非水性系统中进行表征和编目，并在其使用的电化学子领域中进行分类。进行基准测试的研究小组将能够访问经过验证的性能数据和生成这些数据所使用的材料，以便进行内部比较，而不是选择不符合最新技术的配方。大型数据库还将使化合物的筛选更加有效，改进工作流程并降低成本，以实现相同的研究进展。在假设的电化学标准研究所网络中，大型语言模型（LLMs）可以用来从相关文献中提取信息，并建立定义社区期望的标准操作程序（SOPs）。一组专家将参与LLM的工作流程，指定实验程序中关键选择的严谨性，并确定可靠结果所需硬件的技术特征。然后，这些SOPs可以与国家设施中的自主实验室配对，以测量文献中先前报告的材料的性能（图3）。在多篇出版物中已经展示了用于流体的自动化和自主实验室。(28) 由于传统实验室无法探索所有电解质的组合空间，因此自主实验室可以连续运行，从而最大化资本设备的价值。实验参数和结果将被汇编成数据库供社区参考。自主实验室还非常重要，因为它们可以减少复杂实验操作中的人为错误，并确保数据集的一致性、可重复性和可靠性。理想情况下，这些数据库应通过一个免费且用户友好的在线界面公开访问，该界面还集成了先进的聊天机器人。我们预计，能够访问这些严谨的数据库将促进机器学习模型的创新，例如执行降维以消除冗余的实验参数，并进行统计分析以确定影响结果的最重要参数。

图3. 由大语言模型（LLM）指导的实验标准化工作流程示意图，包括自主实验室（路径1，顶部）和循环实验（路径2，底部）。自主实验室和数据集构建的插图是由Adobe Firefly Image Generator（模型3，2025年8月）在Adobe Illustrator 2025（版本29.8）中根据提示生成的，例如“生成一个包含处理固态和液态化学品的机械臂的简单矢量图像”。

高分辨率图像
下载MS PowerPoint幻灯片

人工智能与自主实验室系统的结合代表了科学知识创建、验证甚至共享方式的范式转变。借鉴其他科学领域成功的数据库，应该可以将电化学、材料科学及相关领域的数据统一起来，建立全面的性能指标。随着技术成熟度的提高，跨学科框架可以通过确定新的测试目标和协议来进一步推进这一进程，而自动化则确保了数据收集和分析的统一性，以便进行基准测试。

在许多情况下，当研究人员合成或报告新的电解质时，由于资源有限，他们可能无法完成这些“黄金标准”操作程序中规定的全部测量步骤。这种限制可能导致不可避免的选择带来的理解上的空白。电化学标准研究所可以通过作为共享用户设施来普及对这些黄金标准的访问，就像全球范围内的同步加速器一样，同时还能在电化学应用中实现更统一的实验测量结果。

4. 总结与展望

本文件的撰写源于希望通过电化学技术的新一轮革命来实现能源和材料资源的优化。这一原则在NGenE 2025会议上引发了广泛的讨论。虽然我们的讨论并不全面，但这些讨论涵盖了我们认为如果能够攻克的话将具有高价值的几个前沿领域。这些前沿领域包括电化学的新应用、界面和缺陷的基本作用，以及一个假设的未来，在这个未来中，新的机构将获得资金支持，以充分利用自动化技术，将电化学科学推向新的极限。电化学正处于一个关键时刻，不仅准备好继续改造能源系统，还准备改变我们生产商品、清洁水以及存储和处理信息的方式。