从机器学习到化学洞见：达尔文式偶然性与液流电池中电荷载流子的稳定性

《Journal of Materials Chemistry A》：From machine learning to chemical insight: Darwinian chance and the stability of charge carriers in flow batteries

　　

在化学领域中，于复杂环境下对反应行为进行合理解释与预测具有挑战性，但这一认识对于实际应用与材料进步是必需的。本研究聚焦于一个此类实例，即在电化学储能中使用有机分子作为氧化还原活性材料。这些分子在液流电池中作为电荷载流子，也被称为氧化还原子（redoxmers）；若要实现长期使用，则其在所有荷电状态下都必须具有卓越的化学稳定性。研究人员在此表明，机器学习（ML）结合化学家的知识，可通过提供具有机理可解释性的线索，用于揭示带电氧化还原子反应性中的模式。

本文发表于《Journal of Materials Chemistry A》，围绕非水系液流电池中有机正极电荷载流子的稳定性这一关键问题展开。研究背景在于，氧化还原液流电池（redox flow batteries，RFBs）被视为适用于电网级储能的重要技术，其优势在于将能量转换与储存过程分离，具备良好的可扩展性，并可服务于间歇性可再生能源并网、数据中心备用供能以及削峰填谷等场景。与水系体系相比，非水系液流电池（nonaqueous redox flow batteries，NRFBs）具有更宽的电化学窗口，理论上能够实现更高工作电压与更高能量密度。然而，真正实现这一潜力并不容易，因为理想的正极活性分子不仅需要较高的氧化还原电位，还必须在不同荷电状态下保持足够高的溶解度，并在储液罐静置储能与实际充放电循环过程中同时表现出优异稳定性。问题在于，这些性质彼此之间往往相互制约，而带电中间体又可能在复杂电解液环境中沿多条路径发生副反应，使稳定性数据呈现出高度离散、近似“偶然”的表观特征，因此仅依赖传统经验迭代筛选材料既耗时又难以提炼普适规律。正是在这一背景下，研究人员尝试将机器学习（machine learning，ML）与化学机理分析结合起来，以解释同系有机氧化还原分子在稳定性上的显著差异，并从中提炼可指导材料设计的结构—反应性关系。

研究人员选取一组具有代表性的二烷氧基芳烃（dialkoxyarenes）作为研究对象，系统考察其氧化还原电位、日历寿命与循环寿命，并进一步结合产物分析与定制化分子描述符建立多元线性模型。研究得出的核心结论是：这类带电二烷氧基芳烃氧化还原子的稳定性并非由单一降解途径控制，而是由电荷中和、O-脱烷基化（O-dealkylation）与芳环去保护三类竞争反应共同决定；其中，低产率的去保护反应对循环稳定性尤其关键，因为它可诱导聚合性副产物生成并导致电极污染及电位控制失效，而电荷中和则主要影响储液状态下的日历寿命。该研究的重要意义在于，它将看似杂乱无章的稳定性实验结果还原为若干可识别、可解释的竞争化学过程，不仅为液流电池有机活性分子的理性设计提供了依据，也说明在小样本条件下，若能将化学直觉嵌入描述符构建，机器学习可以超越单纯统计拟合，真正生成化学洞见。

研究人员采用的关键技术方法主要包括以下几类。首先，利用循环伏安法测定分子的半波电位 E_1/2；其次，采用电子顺磁共振（electron paramagnetic resonance，EPR）光谱跟踪自由基阳离子衰减过程，并据此估算半衰期 t_1/2；再次，在对称静态 H-电池中开展恒倍率充放电测试，以 N₉₀ 表征容量衰减 10% 时的循环次数；此外，通过气相色谱-质谱（GCMS）、¹H 核磁共振（NMR）与高效液相色谱（HPLC）进行电解后产物分析；最后，基于密度泛函理论（density functional theory，DFT）计算结构、原子电荷、自旋密度及几何参数，并以遗传算法（genetic algorithm，GA）驱动的多元多变量线性回归（MMLR）筛选最优描述符组合。本文未涉及生物样本队列来源。

在“Data collection: calendar and cycle life”部分，研究人员首先构建并测试了一组非对称与对称二烷氧基芳烃分子，系统测得其半波电位 E_1/2、自由基阳离子半衰期 t_1/2 和循环寿命指标 N₉₀。结果显示，这两类稳定性指标都表现出显著波动，而且彼此之间并无明显简单相关性。EPR 动力学用于评估体相电解液中带电分子的化学稳定性，而对称 H-电池循环实验则用于模拟充放电过程中寄生反应对容量保持的影响。研究发现，除苄基取代物外，许多分子即使在活性物质尚未大量损失时也会出现循环性能迅速恶化，说明循环失效并不单纯由活性分子耗尽引起。

在“Parasitic reactions”部分，研究人员进一步解释了日历寿命与循环寿命相关性差的原因。首先，对于不少二烷氧基芳烃，自由基阳离子在体相中的主要衰减通道是电荷中和；若该过程在单次充放电时间尺度上较慢，则对循环寿命影响有限，因为其可以再生活性前体，但会显著缩短储液阶段的日历寿命。其次，循环寿命在许多体系中主要受电极表面绝缘沉积层形成控制，而不是受体相分解速率直接控制。研究人员指出，2,5-二叔丁基取代基虽然能够通过空间位阻抑制自由基阳离子失稳反应，但其自身也可能以碳正离子形式脱除，生成失去保护的芳环片段；该片段随后更容易发生加成与聚合，形成大分子副产物并污染电极表面。对于苄基衍生物，O-脱烷基化尤为迅速，可同时生成芳氧自由基、酚类、醌类及与溶剂乙腈相关的 Ritter 反应产物，从而使日历寿命和循环寿命同时显著下降。由此可见，不同副反应途径对两类稳定性指标的影响机制并不相同。

在“Data analyses”部分，研究人员采用遗传算法驱动的多元多变量线性回归对小样本数据进行建模。由于研究对象数量有限，常规的 Lasso、岭回归或弹性网络等方法难以稳定筛选出具有解释力的描述符组合，因此研究人员将每个描述符视作“基因”，将描述符组合视作“染色体”，通过选择、突变和重组不断优化模型适配度，以寻找最小但最有效的解释变量集合。这一方法的重点并非追求黑箱预测，而是通过最优描述符组合反推潜在化学机理。

在“Inadequacy of generic descriptors for justifying stability trends”部分，研究人员表明，通用分子描述符虽然能够较好拟合与电子结构直接相关的性质，例如氧化还原电位 E_1/2 或自由基阳离子的超精细耦合常数，但在解释 t_1/2 与 N₉₀ 这类稳定性指标时表现不佳。即使使用超过 1200 个通用描述符，若想在仅有 11 个样本的情况下获得较高拟合度，也需要动用过多变量，导致模型可解释性差、统计合理性不足。即便将问题简化为长寿命与短寿命分类，构建简洁且可靠的分类器仍然困难。这一结果支持了研究人员的假设：若要理解带电自由基离子的稳定性，必须构建能真实反映其反应性的专用描述符。

在“Tailored descriptors for reactive radical ions”部分，研究人员首先通过 DFT 优化中性分子与自由基阳离子的几何结构，并将计算结果与晶体学参数、实验超精细耦合常数及实验氧化还原电位进行比较，确认计算模型能够合理再现这些分子的结构与电子特征。在此基础上，研究人员围绕已知断裂和副反应发生的喹诺型核心区域，提取 Mulliken 原子电荷、自旋密度、键长、键角、二面角、芳环与侧链相关的统计量以及表征分子对称性的参数等，构建出一套约 100 个定制描述符。该策略强调从潜在反应位点及反应机理出发设计特征，而非依赖缺乏化学含义的大规模通用变量。

在“Modeling with the tailored descriptors”部分，研究人员分别对循环寿命 N₉₀ 和日历寿命 log(t_1/2) 建模。对于 N₉₀，最优三描述符模型给出了较高拟合度，关键变量包括芳环—氧键长以及 α-碳和叔丁基碳上的电荷。该结果说明循环寿命主要受两个因素制约：一是自由基阳离子的能量状态，二是其发生碳正离子消除反应的倾向。若 O-脱烷基化较快，分子本身迅速分解，会直接缩短两类稳定性指标；若 O-脱烷基化较慢，则低产率的芳环去保护更可能成为主导循环失效的关键，因为它会触发聚合并造成电极污染。对于 log(t_1/2)，最优模型中除 α-碳电荷外，还包括芳环自旋密度标准差和中间主转动惯量 I₂。其中，自旋密度离域程度可关联带电态稳定性，而 I₂ 则可能反映溶剂接近反应位点的几何可达性。研究人员据此提出，长寿命自由基阳离子在体相中的电荷中和过程，可能与乙腈对带电烷氧基氧原子的进攻有关，这一过程在机理上与某些溶剂参与型中和反应具有相通性。

在讨论部分，研究人员将全部结果整合为一个统一图景：二烷氧基芳烃自由基阳离子的表观“随机”稳定性，实则来源于三种竞争反应对不同性能指标的不等权重影响。电荷中和主要降低日历寿命，但因可恢复中性前体，对循环寿命影响相对较小；O-脱烷基化在足够快时会同时损害日历寿命与循环寿命；而芳环去保护尽管总体产率不高，却因可诱发后续聚合和电极钝化，对循环稳定性造成尤为严重的后果。研究由此强调，液流电池有机活性分子的评价不能仅依赖单一稳定性指标，也不能将体相分解与电极界面失效混为一谈。更广泛地看，自由基离子中的裂解、聚合与中和本就是常见过程，因此类似的多通道竞争反应可能普遍存在于新型电解液与有机储能材料体系中。该工作展示了一种以化学知识主导描述符设计、以机器学习辅助模式识别的研究范式，为理解复杂反应环境中的分子稳定性提供了可迁移的方法论。

研究结论部分可概括翻译如下：从表观随机性中推断因果关系始终是科学研究中的基本挑战。针对电网级液流电池用二烷氧基芳烃氧化还原子，研究人员结合产物分析、具有化学直觉的自由基阳离子反应性描述符以及机器学习方法，建立了一个有力支持的模型，表明其稳定性由电荷中和、O-脱烷基化和芳环去保护三种竞争反应共同控制。其中，低产率的去保护反应虽然对体相日历寿命影响较小，却会因促进失保护分子的聚合、污染电极并破坏电位控制而显著损害循环性能；相反，电荷中和会明显缩短日历寿命，但由于能够再生活性物质，对循环寿命影响有限；当 O-脱烷基化足够快时，则会同时影响这两类稳定性指标。研究人员认为，实验数据中的“无规律性”本质上反映了上述三类反应之间的竞争及其对电化学性能指标的不对称作用，这也说明借助实验解析与机器学习相结合的方法，有望将复杂体系中的偶然现象还原为若干更简单、可理解的化学原因。