可充电电池，尤其是锂离子电池（Li-ion batteries，LIBs），已被广泛应用于现代社会，从电子设备、电动汽车、智能电网到低空产业。这些广泛应用对下一代电池提出了高安全性、高能量密度、高功率密度、长寿命或宽温度窗口（3H1L1W）的高要求。其中，设计先进的电解质分子被认为是最有前景的方法之一，因为电解质在稳定电池界面和调节电池性能方面发挥着重要作用。
近日，清华大学张强、陈翔团队报道了一种用于设计先进电解质分子的人工智能（AI）平台，即Uni-Electrolyte，主要包括三个部分，即EMolCurator、EMolForger和EMolNetKnittor。通过结合高通量筛选和生成性AI模型，可以从EMolCurator模块中的超过1亿种替代分子中设计出新分子。分子性质（包括前线分子轨道信息、形成能、与Li⁺离子的结合能、粘度和介电常数）可作为筛选参数。EMolForger和EMolNetKnittor模块分别可用于预测给定分子的逆合成路径和固体电解质界面（SEI）形成机制。借助先进的AI方法，Uni-Electrolyte有望发现新的电解质分子和化学原理，推动下一代可充电电池的实际应用。
该成果以“Uni-Electrolyte: An Artificial Intelligence Platform for Designing Electrolyte Molecules for Rechargeable Batteries”为题发表在“Angewandte Chemie International Edition”期刊，第一作者是Chen Xiang、Liu Mingkang、Yin Shiqiu。
【工作要点】
本工作设计的Uni-Electrolyte 平台 是一个集成人工智能技术的电解质分子设计平台，旨在加速下一代可充电电池电解质分子的发现、合成和分析。该平台通过三个核心模块实现其功能：EMolCurator、EMolForger 和 EMolNetKnittor，每个模块都承担着特定的任务，共同推动电解质分子设计的高效化和智能化。
1. EMolCurator 模块：分子设计与筛选
EMolCurator 是 Uni-Electrolyte 平台的核心模块之一，专注于电解质分子的设计和筛选。它通过以下四个功能实现高效和精准的分子设计：
- 分子性质预测：基于量子化学计算（DFT）和分子动力学（MD）数据训练的定量构效关系（QSPR）模型，能够从二维和三维分子表示中准确预测多种分子性质，包括前线分子轨道能量（HOMO 和 LUMO 能级）、与 Li⁺ 离子的结合能、粘度和介电常数等。这些预测为后续的分子筛选提供了基础数据支持。
- 多标准筛选：通过预设计的电解质分子数据库，根据用户定义的多标准（如 HOMO-LUMO 间隙、结合能或特定结构特征）进行筛选，快速识别出符合要求的分子子集，从而加速分子设计过程。
- 分子相似性搜索：利用基于向量的数据库，通过 QSPR 模型预测的分子性质向量，实现高效相似性搜索。该模块通过比较查询分子与数据库中分子的性质向量（如余弦相似度），快速找到具有相似性质的分子，从而扩展搜索空间并聚焦于相关化学区域。
- 分子生成：为克服依赖现有数据集的局限性，开发了基于 AI 的分子生成模块（AIGM）。该模块能够根据目标性质生成全新的分子，包括优化 HOMO-LUMO 间隙、结合能以及直接进行结构设计。生成的分子通过严格的筛选流程，确保其稳定性、与现有分子的相似性以及可合成性。
通过上述功能，EMolCurator 实现了从庞大的化学空间中快速筛选和设计出具有特定性质的电解质分子，为后续的合成和应用提供了丰富的候选分子库。
2. EMolForger 模块：逆合成路径预测
EMolForger 是一个基于 AI 的逆合成分析平台，旨在为设计出的电解质分子提供合成路径和反应条件的预测。该模块包括两个主要部分：
- G2GT 一步逆合成预测器：基于图神经网络（GNN）构建，能够识别和评估可行的一步逆合成反应。通过在大规模化学反应数据库上的训练，该预测器能够准确评估化学反应的可行性，为合成规划提供可靠基础。
- ASKCOS 合成路线规划器：基于 G2GT 的初始预测，进一步优化多步合成路径。该模块详细分析关键反应参数（如溶剂选择、催化剂优化和温度条件），同时兼顾合成效率和经济可行性。
EMolForger 的有效性通过其对电解质分子合成领域的特定优化得以增强，模型通过针对电解质分子合成相关的反应数据集进行微调，确保在该领域的高精度和实用性。
3. EMolNetKnittor 模块：SEI 形成机制分析
EMolNetKnittor 模块专注于分析电解质分子在电池中的行为，特别是固体电解质界面（SEI）的形成机制。SEI 的形成对电池性能至关重要，该模块通过以下方式实现对 SEI 形成机制的深入分析：
- 数据库查询与反应网络构建：首先将输入的电解质分子与内置数据库进行比对。如果找到相关成分和反应，则利用随机动力学蒙特卡洛（kMC）模拟构建详细的反应网络，从而识别关键产物及其形成路径。
- 即时数据库构建：如果数据库中缺乏关于输入分子的信息，则提供即时数据库构建功能。该功能通过分解和重组输入分子生成潜在成分，随后枚举这些成分之间的一步反应，并通过严格筛选确保成分和反应的有效性。
此外，EMolNetKnittor 的数据库经过扩展，涵盖了整个 LiBE 数据集，能够分析包含 F、N、P 和 S 等元素的电解质分子。数据库构建过程的自动化进一步提升了该模块的灵活性和可扩展性，使其能够适应新型电解质化学的研究需求。
Uni-Electrolyte 平台通过集成 EMolCurator、EMolForger 和 EMolNetKnittor 三个模块，实现了从分子设计、合成路径预测到 SEI 形成机制分析的全流程覆盖。该平台借助先进的人工智能技术，能够高效地探索庞大的化学空间，快速识别出具有特定性质的电解质分子，并为其合成和应用提供全面支持。通过这种方式，Uni-Electrolyte 有望显著加速下一代可充电电池电解质分子的发现和开发进程。
图1 Uni-Electrolyte 平台的示意图，包含三个模块。EMolCurator 模块旨在设计新电解质分子。基于嵌入的电解质数据库，训练了 QSPR 和基于 AI 的生成模型。EMolForger 模块可以预测潜在电解质分子的合成路径和相应的反应条件。它由合成路径规划器和基于 AI 的单步逆合成预测器组成。EMolNetKnittor 模块评估过滤后的电解质成分和反应数据库，提出化学反应网络并进行 SEI 产物分析。
图2 EMolCurator 模块的三个功能。 (a) QSPR 模型基于 DFT 和 MD 数据库进行基准测试和训练。它接收二维或三维分子图，并输出它们的性质。
(b) 根据用户定义的区间，对预设计的候选电解质分子进行筛选。
(c) 使用向量数据库查询具有相似性质的分子，查询向量由 QSPR 模型预测的性质组成。
图3 逆合成模块的示意图。该模块包括两个 AI 组件，即 G2GT 一步逆合成预测器和 ASKCOS 合成路径规划器。在推理过程中，该模块提出可购买的起始试剂和潜在中间体，以及详细的反应条件和价格。
图4 SEI 分析模块的示意图。首先将输入的电解质分子与内置数据库进行比对。如果找到相关成分和反应，该模块利用随机 kMC 模拟构建反应网络。该网络随后用于识别关键产物及其形成路径。然而，如果数据库中未找到匹配项，该模块提供即时数据库构建选项，以输入的查询分子为依据，通过碎片化和重组生成成分，随后进行反应枚举。注意，会对生成的成分和反应应用过滤器以确保其有效性。
图5 EMC 分子的查询结果。每个分子提供二维拓扑结构和 SMILES 字符串。每个分子下方显示性质向量，按结合能（eV）、介电常数、粘度（mPa·s）、HOMO（eV）和 LUMO（eV）的顺序排列。
图6 生成模型在 HOMO-LUMO 性质方面的域外性能。 (a) 训练数据集在目标区域稀疏，且不包含 DME 分子。
(b) 而生成的数据集在目标区域相对密集，并且包含 DME 分子。
图7 (a) F6DEE 和 F3DEE 的逆合成结果，(b) F4DEE 和 F5DEE 的逆合成结果。提出的试剂放置在反应箭头上方，而反应条件标注在下方。
图8 使用 EMolNetKnittor 预测的 Li⁺-FEC 分解路径。(a) 配位，(b) 环开环，(c) 二聚化，(d) 聚合步骤。
【结论】
本工作开发了一种基于数据驱动方法的用于设计电池电解质分子的人工智能平台 Uni-Electrolyte。Uni-Electrolyte 集成了三个协同模块，即 EMolCurator、EMolForger 和 EMolNetKnittor。EMolCurator 是人工智能辅助的分子设计框架，利用定量构效关系（QSPR）模型、多标准筛选、相似性搜索和人工智能驱动的分子生成，高效探索庞大的化学空间并识别出具有特定性质的有前景的电解质候选分子。EMolForger 是人工智能驱动的逆合成分析模块，通过提供优化的合成路线和详细的试剂信息，弥合了计算设计与实验合成之间的差距。最后，EMolNetKnittor 是一个全面的 SEI 形成分析平台，能够详细研究控制电池性能的复杂界面过程，为 SEI 的组成和形成机制提供关键见解。Uni-Electrolyte 平台内这三个模块的集成提供了一套强大且多功能的工具集，实现了下一代电池先进电解质的人工智能驱动设计。
Chen, X., Liu, M., Yin, S., Gao, Y.-C., Yao, N., & Zhang, Q. (2025). Uni-Electrolyte: An Artificial Intelligence Platform for Designing Electrolyte Molecules for Rechargeable Batteries. Angewandte Chemie International Edition.
https://doi.org/10.1002/anie.202503105
邮发代号：80-732
联系热线：010-64519601/9602/9643
投稿地址：http://esst.cip.com.cn/CN/2095-4239/home.shtml
