芝加哥大学科研团队开发出新的人工智能方法，显著提升电池材料研发效率。这项人工智能技术通过主动学习模型，仅需58个实验数据点即可探索百万种电解液组合，为电池材料研发开辟了新路径。

研究团队在《自然通讯》发表论文，展示了基于少量数据的人工智能模型如何加速电池材料发现进程。芝加哥大学普利兹克分子工程学院博士后研究员里特什·库马尔表示："每个实验都需要数周甚至数月才能获得数据点。等到拥有数百万条数据才去训练这些模型是不切实际的。"该人工智能方法通过实验验证循环，将测试结果反馈至模型进行持续优化。

研究人员采用"信任但验证"策略，通过七轮主动学习过程，每轮测试约十种电解液，最终发现四种性能优异的新型电解液溶剂。库马尔指出："该模型最初不会非常准确，因此会有一些预测结果，但预测结果也会存在不确定性。"这种人工智能驱动的研究方法有效减少了实验盲区，避免了传统研究中的认知偏差。

共同第一作者马培源博士表示，未来人工智能在电池材料研发中的应用将向生成式方向发展。马培源说："这意味着我们不再受限于现有文献。原则上，该模型可以提出一些数据库中不存在的分子。"下一步研究将聚焦开发能同时评估循环寿命、安全性和成本等多重指标的人工智能系统，推动电池材料研发向实用化迈进。

更多信息：Peiyuan Ma 等人，《主动学习加速无阳极锂金属​​电池电解液溶剂筛选》，《自然通讯》 (2025)。期刊信息：《自然通讯》