电解液是二次电池的重要组成，显著影响电池的循环寿命、倍率性能、安全性能和工作温度区间等。然而，电解液分子空间高达10⁶⁰，传统“试错”式筛选费时耗力，无法满足快速材料创新的需求。

近日清华大学陈翔/张强团队与北京科学智能平台团队合作，开发了首个二次电池电解液分子人工智能（AI）设计平台——Uni-Electrolyte，该平台融合了电解液分子设计、逆合成和SEI成膜机理三大功能，为下一代电解液分子创新提供了重要理论基础与平台支撑。

Uni-Electrolyte 平台由 EMolCurator、EMolForger和 EMolNetKnittor三大模块组成。其中，EMolCurator基于高质量第一性原理计算与分子动力学模拟数据库（包含分子轨道能级、结合能、粘度和介电常数等关键指标），通过深度学习构建的定量构效关系模型和生成式模型，可以实现从海量候选分子中精准筛选并生成功能化电解液分子；EMolForger基于领域适配的图神经网络与逆合成规划工具，可以辅助规划电解液分子逆合成路线，并提供反应物、反应条件及成本分析；EMolNetKnittor利用蒙特卡洛模拟构建分子反应生成固态电解液界面膜的反应网络，揭示电解液分子在电极表面的分解与聚合机理，为优化界面稳定性和循环性能提供理论依据。

研究团队通过多个案例直观展示各模块在分子设计、逆合成路径预测与反应网络分析中的具体应用与优势。

在AI辅助分子设计方面，作者以1,2-二甲氧基乙烷（DME）为例进行探究。原始数据集不包含DME分子，且仅有少量分子具有与DME类似的HOMO与LUMO能级。EMolCurator模块依然可以有效生成具有目标HOMO与LUMO能级的分子，其中包括DME分子。

在反应网络分析方面，作者以氟代碳酸乙烯酯（FEC）分解生成SEI为例进行探究。EMolNetKnittor模块从FEC与锂离子的初始配位结构Li⁺–FEC开始，预测了从单配位到双配位的结构转变，随后发生开环反应形成中间体，中间体与另一个双配位的Li⁺–FEC相互作用形成二聚中间体，最终形成聚合物SEI组分和LiF。预测结果与实验观察到的FEC在锂电池负极的分解机理一致。

总结而言，Uni-Electrolyte平台三个模块相互协同，提供了一套强大而多功能的工具包，为二次电池先进电解液的智能化设计提供了重要平台，有力地推动了下一代电池材料的创新。

Uni-Electrolyte: An Artificial Intelligence Platform for Designing Electrolyte Molecules for Rechargeable Batteries

Xiang Chen, Mingkang Liu, Shiqiu Yin, Yu-Chen Gao, Nan Yao,  Qiang Zhang

文章的第一作者是清华大学陈翔副研究员和北京科学智能研究院刘明康（现为新加坡国立大学博士生）。

Angewandte Chemie International Edition

DOI: 10.1002/anie.202503105