综述：机器学习在水系电池中的应用与展望

《CHINESE CHEMICAL LETTERS》：Applications and prospects of machine learning in aqueous batteries

　　

## 摘要

随着全球能源结构向清洁和可持续来源转变，水系锌离子电池（AZIBs）和液流电池（FBs）在大规模储能领域展现出巨大潜力。然而，其发展受到材料研发效率低下和性能调控困难等问题的阻碍，而传统的试错方法和计算模拟也存在明显局限性。本综述系统考察了机器学习（ML）在水系电池（ABs）关键材料开发和系统优化中的研究进展。首先介绍了机器学习的原理、其在材料科学中的标准化工作流程及其独特优势——高效高通量筛选、捕捉复杂相关性、弥合数据差距以及实现逆向设计。重点介绍了机器学习在AZIBs中的应用，包括电解液添加剂的高通量筛选、正极性能预测与结构设计（如梯度多孔碳）、锌负极界面层的构建以及电极系统动力学匹配。此外，总结了水系FBs的研究进展，涵盖活性材料筛选、电池结构与流场优化、电解液性能表征及运行状态监测。最后，讨论了机器学习在水系电池研究中的挑战与未来方向。本综述为机器学习辅助高级水系电池筛选与开发提供了有价值的见解。

## 引言

随着全球能源系统向清洁和可持续发展转型，安全、高效、低成本的大规模储能技术成为实现"双碳"目标的关键。在现有储能系统中，锂离子电池（LIBs）凭借其高能量密度和成熟产业链已被广泛商业化。然而，安全性担忧、资源稀缺和成本问题推动了大规模储能替代技术的探索。在此背景下，水系电池（ABs）因其固有的安全性、环境友好性、高离子电导率和低成本而展现出可观的应用潜力[1,2]。在这些系统中，水系AZIBs和FBs是两种备受关注的代表性技术。

AZIBs以锌金属作为负极，具有高的理论容量、低的氧化还原电位和丰富的资源，使其成为大规模储能中锂离子电池的有前景的补充[[3],[4],[5]]。然而，其商业化仍面临严峻挑战，包括正极材料溶解、锌枝晶生长和腐蚀，以及析氢等电解液副反应，这些都严重限制了循环寿命和库仑效率[6,7]。例如，在碱性镍锌电池中，抑制包括枝晶形成、腐蚀和析氢在内的耦合退化过程对于提高循环稳定性仍然至关重要[8]。类似地，水系体系也存在金属沉积/剥离可逆性差以及寄生反应引起的不稳定性等问题[[9],[10],[11]]。FBs，尤其是全钒液流电池和新兴的锌基液流电池，通过将活性物种储存在外部储罐中实现功率与能量的解耦，特别适合长时储能应用[12,13]。然而，其大规模部署仍受制于膜、电极和电解液等关键部件的成本与性能，以及漫长的开发周期和高试错成本[14]。此外，有机FBs中的氧化还原活性分子可能通过亲核加成、水解和二聚化等途径发生降解，导致容量衰减[15]。例如，Sorkun等人开发了RedPred模型来快速预测候选分子的反应能，但机器学习预测的可靠性仍然高度依赖于训练数据的质量[16]。

与AZIBs和FBs相比，锂离子电池具有更高的能量密度和更高的技术成熟度，但受限于固有的安全隐患、高成本和有限资源。相比之下，AZIBs和FBs在安全性、可持续性和可扩展性方面具有独特优势，使其在大规模和长时储能应用中尤为引人注目。如图1所示，尽管目前AZIBs和FBs在所有性能指标上均未超越锂离子电池，但近期的进展——如通过机器人技术与机器学习集成的工作流程预测设计具有应变不敏感性能的柔性电极——表明通过精细的材料和系统设计可以有效解决机械变形下的裂纹扩展、电导率退化和容量衰减问题[17]。因此，本综述聚焦于AZIBs和FBs的最新进展、挑战和设计策略，旨在为开发安全、经济、高性能的水系储能系统提供见解。

传统的材料研发主要依赖试错实验和基于密度泛函理论（DFT）及分子动力学（MD）的计算模拟。试错方法效率低且资源消耗大，而DFT和MD虽能提供微观机理洞察，但计算成本高昂且往往无法捕捉复杂体系与宏观性能之间的相关性[18,19]。例如，Rezaei等人利用第一性原理MD为钠离子电池（SIBs）中的"盐包水"电解液开发了机器学习势模型，从而在计算效率和预测能力之间取得了平衡[20]。类似地，传统DFT计算有机电极材料成本高昂且难以扩展至大规模设计空间[21]。这些局限性大大减缓了新型电池材料的迭代开发和产业化进程，而基于机器学习的筛选可以提高材料开发的效率和智能化水平。传统与机器学习辅助电池材料开发方法的比较见[]。基于Web of Science核心合集的文献计量学分析还考察了2022年至2026年水系电池及机器学习辅助水系电池研究的出版趋势（Fig.）。尽管传统水系电池研究稳步增长，但结合机器学习的出版物增长更为迅速，凸显了向数据驱动的材料设计和系统优化转型的趋势。人工智能（AI）的快速发展，特别是机器学习与材料科学的融合，为克服这些瓶颈提供了强大工具。机器学习可以从大量实验和计算数据集中提取复杂的结构-过程-性能关系，实现准确的性能预测和逆向设计，从而加速研发并降低开发成本[[22],[23],[24]]。例如，深度学习（DL）被用于预测溶解度并抑制混合高浓度水系电解液中多氧化还原有机电极的溶解[25]。一款用户友好的机器学习界面NJmat可以自动化材料特征生成、模型构建和预测，以加速材料设计[26]。此外，一种基于更快的区域卷积神经网络（faster R-CNN）的深度学习架构被开发用于无需先验知识即可自动检测循环伏安图中的多氧化还原事件并分类电化学机理[27]。这些进展与近期综述[28]中确定的趋势一致，强调机器学习在电池材料创新中的成功高度依赖于对结构-性能关系的有效表征。多项研究进一步指出，数据质量、特征工程以及机器学习与传统模拟方法的整合是高效筛选和自动预测的关键[29,30]。其他研究者系统地探索了锂离子电池和储能材料逆向设计与集成方法的更广阔前景[31,32]。

图2

应对水系电池面临的挑战需要对电极材料与电解液之间的界面行为有深入理解。基于高阶等变消息传递神经网络（MACE）架构的机器学习原子势（MLIPs）被用于金属-电解液界面的高精度分子动力学模拟，揭示了电势依赖的水和离子覆盖度及电容特性[33]。一种物理引导的图神经网络（GNN）被开发用于从原子结构预测X射线吸收光谱，建立了可解释的结构-光谱路径以理解电解液溶剂化结构[34]。机器学习势分子动力学模拟也被用于研究水合物熔盐电解液的结构和离子传输特性，表明水配体的频繁交换驱动了阳离子扩散[35]。在该领域，Soyemi等人利用机器学习原子势以DFT级精度长时间尺度模拟复杂水溶液离子体系[36]；Gong等人通过分子动力学模拟分析了离子对之间的平均力，从而提高了对离子缔合热力学的理解[37]；Deng等人揭示了含水量如何改变深共熔溶剂体系的微观结构和宏观性质[38]。从头算与经典分子动力学的结合也被用于分析电解液结构。例如，Wróbel等人表明离子-水相互作用决定了水合双三氟甲磺酰亚胺锂电解液的微观结构[39]，而Ubovich等人强调了残余水对电解液体系的显著影响[40]。Biswas等人结合光谱与模拟揭示了高电荷离子（如Al3?）在气-水界面的独特分布[41]。Ma等人通过构建亲锌二维（2D）Cu?Te集流体调控锌沉积，为抑制枝晶形成提供了新策略[42]。Guo等人进一步得出结论，多尺度建模与先进表征的结合是克服性能瓶颈的关键途径[43]。利用机器学习势分子动力学模拟，Okuno揭示了Li?和Na?在水合熔盐电解液中的扩散机理：阳离子与配位分子频繁交换配体并吸收水分子的动能来驱动扩散，而非遵循传统的车辆机制或跳跃机制[44]。

本综述系统总结了机器学习在水系电池关键材料开发和系统级优化中的应用，特别侧重于AZIBs和FBs。首先介绍了机器学习的基本原理及其在材料科学中的一般工作流程。在模型选择方面，Sun等人综述了包括支持向量机（SVMs）和人工神经网络（ANNs）在内的经典算法，为后续讨论提供了基础[45]，而Naresh等人展示了岭回归在预测电池健康方面的有效性[46]。主要章节随后考察了机器学习在AZIBs正极、负极、电解液和集流体设计优化中的最新应用，以及在FBs关键材料筛选与系统建模中的应用，包括有机活性物种、多孔电极和膜。相关研究还展示了机器学习辅助电池研究的更广泛范围。受细胞膜两亲性结构的启发，Luogu等人构建了水系镁离子电池的仿生正极，为电极设计提供了新概念[47]。机器学习还扩展到了电池回收领域；Zhong等人提出的优化煅烧系统实现了高选择性锂提取并大幅减少了环境足迹[48]。在电解液研究中，机器学习被用于筛选卤化物固态电解液，识别出具有F??3m空间群的A?BC?型卤化物，其四面体-八面体-四面体离子迁移通道提供了高离子电导率[49]。Spera等人利用分子动力学模拟研究了含水量对水合甘油乙醇胺溶液热物性的影响，发现水摩尔分数高于0.75时会出现从DES类行为到水类行为的转变[50]。对于水系有机FBs中的氧化还原活性分子，包含还原电位和电子密度等描述符的机器学习模型被用于识别和缓解Michael加成等降解途径[51]。机器学习还被应用于服役条件下的材料研究；Hou等人例如使用深度学习模拟了MXene在水中的氧化过程，揭示了自限性氧化机理[52]。在电解液工程方面，He等人总结了拓宽水系电池工作温度范围的氢键调控策略[53]，而Liu等人及Sha等人分别展示了贝叶斯优化和添加剂策略可以显著提升锌空气和镁空气电池的性能[54,55]。Wu等人进一步使用甘氨酸作为添加剂来抑制镁空气电池中的析氢副反应[56]。对于FBs，Bao等人开发的高效计算模型（包括深度算子网络）能够快速准确地预测电池性能[57]。Lagerweij等人结合机器学习和分子动力学将模拟KOH溶液电导率的误差控制在5%以内，从而定量验证了Grotthuss机制的贡献[58]。最后，本综述总结了当前机器学习在水系电池研究中的挑战与局限，并展望了下一代高性能智能水系电池的未来发展方向。

## 分节摘录

### 机器学习

机器学习是人工智能的核心分支之一，使计算机系统能够从数据中学习模式，并利用这些模式对未见过的输入进行预测或决策。在材料科学中，机器学习的应用通常遵循以材料描述符（特征）与目标性能映射为核心的标准化数据驱动工作流程（Fig. 3）。

数据收集和数据集构建是机器学习模型的基础。数据可来源于高通量实验、第一性原理计算等。

### 机器学习在水系电池中的应用

随着清洁能源存储需求的日益增长以及需要应对传统锂离子电池的安全与环境局限，水系电池因其固有的安全性、低成本、环境友好性和高离子电导率而成为有前景的下一代储能系统。

然而，其发展受到高度稳定电极材料设计、电解液系统优化以及界面反应调控等方面的挑战的制约。

总结与展望

作为强大的数据科学工具，机器学习已深度融入空气电池的研发链条，从原子尺度的材料发现到电池系统优化，展现出了加速并推动创新的巨大潜力。本综述表明，机器学习已成功应用于空气锌离子电池（AZIB）中，用于预测正极容量和电压、筛选负极界面涂层、合理设计电解液添加剂以及优化集流体性能。这些应用

贡献者致谢声明：周燕妮：撰写——初稿撰写；贾恒波：数据整理；程子怡：软件；杨园园：撰写——审阅与编辑；李倩：撰写——审阅与编辑，资源；李乐：撰写——审阅与编辑，监督，资源。

周燕妮 | 贾恒波 | 程子怡 | 杨园园 | 李倩 | 李乐

陕西理工大学机械工程学院，工业自动化陕西省重点实验室，汉中市 723001，中国