综述：利用生成式人工智能与自动化实验实现电化学能源创新的全流程闭环

《Science Bulletin》：Closing the loop with generative AI and automated experimentation in electrochemical energy innovation

【字体：大中小】 时间：2026年07月14日 来源：Science Bulletin 20.7

编辑推荐：

摘要

电化学能源技术是实现净零排放目标的关键，但从原子级材料到器件架构的多尺度特性给研发工作带来了巨大挑战。尽管人工智能已加速了该领域的探索与设计，但现有的预测性人工智能方法仍难以带来突破性进展。生成式人工智能在生物学和医学等领域展现出巨大潜力，其对电化学能源研发的影响则刚刚开始显现。本文综述了将生成式人工智能应用于分子与晶体发现、电极微观结构设计以及系统优化方面的最新进展，重点探讨了大型语言模型在电化学工程中的作用。我们主张迈向生成式电化学智能这一以物理原理为基础、融合多种模式且结合人类专业知识与自动化实验的框架。预计生成式电化学智能将重塑快速部署型电化学能源技术的研发模式，加速其向实际应用的转化。

引言

电池、燃料电池和电解槽等电化学能源技术在实现净零排放目标中发挥着关键作用，而电解质、电催化剂和电极等电化学能源材料则是决定这些技术效率、稳定性、使用寿命及整体性能的核心因素（图1a）。这些材料共同构成一个协同系统：电极作为电化学反应发生的结构基础，电催化剂可加速特定反应，电解质则为离子在电极间的传输提供路径（图1b）。电化学能源技术的每一次重大突破都源于电化学能源材料的创新。例如，高压液态电解质显著提升了锂离子电池的能量密度与安全性[1]、[2]；单原子非贵金属铁基电催化剂具有优异的氧还原反应活性，为开发无需铂族金属的高性能低成本质子交换膜燃料电池提供了新途径[3]；三维有序膜电极组装体能够在高电流密度下为碱性水电解槽提供物质传输路径[4]。然而，开发这类突破性材料与结构仍面临巨大挑战，这不仅是因为从原子级材料探索[5]、[6]、介观尺度电极优化[7]、[8]到器件级集成[9]、[10]存在庞大的设计空间，还需要跨学科的知识支持（图1c）[11]。此外，目前依靠人类直觉和试错式的实验方法会导致创新效率低下，且难以实现大规模应用[12]。

由人工智能驱动的电化学能源材料与结构设计为解决上述问题带来了希望。在原子尺度上，人工智能的一项重要进展在于能够提取合适的晶体结构描述符，从而准确高效地预测锂离子电池正极材料的结构稳定性与活性[13]、[14]，并帮助理解复杂的催化机制[15]、[16]、[17]、[18]。通过建立明确的结构-性质关系，这类人工智能模型大大加快了电极和催化剂材料的筛选与优化速度。在介观尺度上，人工智能能够从扫描电子显微镜和X射线计算机断层扫描等先进成像技术中自动提取颗粒形态、孔隙分布和涂层分布等微观结构特征。基于这些提取的结构信息，人工智能模型不仅可以高效预测有效离子扩散率[19]、[20]和渗透率[21]等关键传输性质，还能预测电极的诸多物理行为，如燃料电池电极的长期结构退化[22]，以及电池电极制造过程中的电解质渗透和压延现象[23]、[24]。因此，人工智能对电极微观结构与性质关系的分析在材料工程与功能性能评估之间起到了至关重要的桥梁作用。在器件层面，人工智能模型已不仅能进行基础预测，还能准确预测电池的使用寿命与热行为[25]、[26]、[27]，以及电池的充电状态和健康状况[28]、[29]，同时还能预测燃料电池的性能[30]及其退化情况[31]、[32]。

然而，尽管取得了诸多进展，这类预测性人工智能工具仍然主要作为回归模型中的预测辅助工具，缺乏主动创造或生成新方案的能力（图1d）。具体而言，它们仅能根据预设数据集预测候选材料的性质，而无法提出全新的候选材料。因此，它们无法将预测范围扩展到已知的化学或结构空间之外。但实际上，电化学能源材料的设计并非简单的优化问题，而是一个需要提出假设并进行数据推理的创造性过程。因此，对于那些需要多目标平衡的开放式材料设计任务，预测性人工智能仍然远远不够。当前电化学能源材料领域中实际需求与现有预测性人工智能应用之间的差距引发了这样一个关键问题：在电化学能源材料设计中，人工智能能否从单纯的预测工具转变为真正的创造者？

生成式人工智能作为一种具有创造性的方法，近年来被用于设计电化学能源材料与结构[33]、[34]、[35]（图1d）。与专注于性质预测的预测性人工智能不同，生成式人工智能能够创造出输入数据集中不存在的新材料候选与结构[36]、[37]、[38]。此外，由于大型语言模型具备理解人类语言和进行推理的能力，生成式人工智能还能完成需要人机交互的任务。这些独特能力已在蛋白质[39]、[40]以及药物和医学领域[41]、[42]、[43]、[44]得到应用。这些领域的成功应用为生成式人工智能在电化学能源材料领域的应用提供了灵感。例如，基于生成式扩散人工智能模型的MatterGen能够高效地生成具有特定性质的稳定无机晶体结构，覆盖整个元素周期表[45]。类似的生成式扩散人工智能模型也被用于设计固体聚合物电解质，通过数字方式识别出具有高离子传导性的潜在聚合物[46]。此外，生成式人工智能还被用于设计更复杂的材料结构，比如金属有机框架，ChatMOF这一由大型语言模型驱动的模型就能根据用户设定的性能目标来设计金属有机框架[47]。除了原子尺度的材料设计之外，生成式人工智能还通过生成具有真实结构特征的多样化3D电极微观结构，加速了电极微观结构的设计与优化，为电极制造流程提供了参考[48]、[49]、[50]。

尽管潜力巨大，但目前大多数基于生成式人工智能的电化学能源材料创新尚未转化为实际的现实应用成果[45]。现有的生成式人工智能模型往往缺乏严格的物理约束条件与人类反馈机制，这就可能导致生成的候选结构在合成上不可行、在热力学上不稳定，或在实际应用中毫无用处[51]、[52]。此外，高质量、结构化的数据集严重匮乏也是一个主要瓶颈。包含不同性能指标之间权衡关系（如离子传导性与稳定性）的多目标数据集极为罕见，这使得很难训练出能够同时平衡多种设计要求的生成式人工智能模型[53]。而且，目前的生成式人工智能模型大多仅聚焦于原子或分子尺度，其能力尚未延伸到跨尺度层面，比如电化学界面以及整体器件层面[45]、[46]、[47]、[48]、[49]、[50]，例如膜电极。所有这些缺陷都极大地限制了生成式人工智能在现实电化学能源技术中的应用。

生成式人工智能有望以生成式电化学智能的形式，在下一代电化学能源材料的开发中发挥更加核心的作用。生成式电化学智能并非仅仅作为一种计算工具，而是一个基于物理原理的生成式人工智能与自动化实验相结合的集成平台，通过人机协同设计流程，形成涵盖数字设计、实验验证与优化的闭环跨尺度工作流程（图1e）。不过，目前尚缺乏关于生成式电化学智能开发与应用的标准指南。在本篇综述中，我们首先简要介绍了各类生成式人工智能模型，分析了该领域的快速发展态势。随后，我们深入探讨了生成式人工智能在各种电化学能源技术及不同尺度上的最新应用与创新成果，旨在为目前分散在各个领域的生成式人工智能应用提供一个更为系统的视角。在此基础上，除了介绍生成式电化学智能的关键功能外，我们还将探讨要在电化学能源技术中充分发挥其优势所需克服的关键挑战。

章节要点

生成式人工智能模型概述

由于人工智能技术的快速发展，生成式人工智能涵盖了多种模型架构。在此，我们将总结主要的生成式人工智能技术（图2），并分析它们的优点与局限性：

变分自编码器能够将输入数据映射到连续的潜空间中，再通过解码器将其重构出来[54]、[55]。在训练过程中，该模型需要在重建精度与潜空间遵循预定义分布（通常是高斯分布）之间取得平衡，从而

新型分子与晶体结构的发现

在电化学能源领域，一个核心挑战就是寻找具有高离子传导性的电解质[67]、[68]，以及具有高活性与稳定性的电催化剂[69]、[70]。高通量筛选等方法已被证明是高效筛选优质电解质和电催化剂的有效手段[71]、[72]、[73]、[74]、[75]、[76]、[77]、[78]、[79]、[80]、[81]，而这些方法的实现依赖于可编程的测试设备以及大量的

定义生成式电化学智能：迈向多智能体、多模态智能

尽管生成式人工智能在电化学能源技术领域发展迅速，但目前大多数基于生成式人工智能的应用仍然属于纯数字计算范畴，由于缺乏实际应用验证，其影响力受到限制。此外，随着大型语言模型处理越来越复杂的科学任务，其计算成本、能耗以及基础设施需求也在迅速上升[166]、[167]，这将为模型的训练、部署等环节带来诸多障碍

结论

生成式人工智能正在改变电化学能源技术在不同尺度上的设计与优化方式。不过，目前大多数应用仍然较为零散，往往受到数据集有限、物理指导不足以及缺乏与实验验证相结合等因素的限制。相关领域的最新进展表明，生成式人工智能不仅仅是预测工具，它还能推动创造性假设的生成，加快设计循环的速度，并促进人机协作

利益冲突声明

作者声明不存在任何利益冲突。

致谢

Kun Luo感谢中国国家自然科学基金（项目编号52236002）的支持。Qiong Cai感谢由工程与物理科学研究委员会资助的英国介观工程科学联盟（UKCOMES）的援助（项目编号EP/X035875/1）。Yun Wang感谢UCI CORCLR奖提供的部分支持。Zhiqiang Niu感谢皇家学会研究基金（项目编号RG\R1\251493）的资助。

作者贡献

Zhiqiang Niu负责概念构思、数据收集、数据整理、正式分析以及研究工作

摘要

引言