维度网讯，北京大学材料科学与工程学院庞全全教授团队联合清华大学、劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）、普林斯顿大学（Princeton University）及SESAICorp.等机构，在锂金属电池电解液研发中引入融合深度主动学习与知识迁移的两阶段人工智能框架，实现了高性能电解液的快速筛选和设计知识跨场景迁移。相关研究成果于3月27日提前在线发表于《自然·通讯》（Nature Communications）。

锂金属电池因其超高理论能量密度被视为下一代储能和动力电池的核心发展方向，但锂金属负极库伦效率低、界面稳定性差等问题长期制约其规模化应用。电解液是调控负极界面、决定电池循环寿命的核心组分，其设计面临锂盐、溶剂、添加剂及浓度组合形成的庞大离散化学搜索空间，传统“试错式”研发模式实验成本高、周期长，难以适配新分子引入和高维配方扩展等复杂场景。

针对电解液设计“搜索空间大、性能关系不连续、实验噪声高”的挑战，研究团队构建了深度主动学习（Deep Active Learning， DAL）与目标统计编码（Target Statistical Coding， TSC）融合的两阶段框架。第一阶段聚焦由锂盐、溶剂、添加剂及浓度构成的720种初始电解液配方空间，采用深度核学习结合Thompson采样算法智能筛选实验样本，建立电解液配方与电池循环寿命间的非线性关联。第二阶段通过目标统计编码技术，将组分间复杂相关性显式编码为可复用、可迁移的电解液设计知识体系，突破单一配方空间限制。

实验结果显示，在720种初始配方空间中，仅经过三轮深度主动学习迭代、累计完成128个电池样本测试，电池平均循环寿命从随机筛选阶段的41.9次提升至125.1次；短寿命电池占比从80.6%降至28.1%，长寿命电池占比从9.7%提升至40.6%。筛选出的前5种优质电解液综合性能显著优于同类型已发表的高性能文献配方。

电解液设计知识实现了高效跨场景迁移。将初始720种配方扩展至5400种更高维候选空间后，零样本条件下前5种配方平均循环寿命达200.6次，较原始空间最优水平提升1.6倍；在锂金属/NCM811全电池体系中，迁移后电解液100圈平均容量保持率达84.0%，远超首轮配方的58.2%；面对新分子引入构建的5760种新配方空间，仅通过32个样本的一轮实验，150圈平均容量保持率从24.4%提升至56.5%，最优配方250圈后容量保持率仍达83%。

该研究将深度主动学习与知识迁移相结合，为电解液体系提供了少样本、高效率、可迁移的智能研发新范式。研究论文由北京大学、清华大学、劳伦斯伯克利国家实验室、普林斯顿大学、SESAICorp.联合完成，北京大学为论文第一通讯单位。北京大学庞全全教授、清华大学江奔奔副教授、SESAICorp.许康为论文共同通讯作者，北京大学2025届博士毕业生洪旭峰为第一作者，清华大学博士生王玺哲为共同第一作者。研究工作获国家重点研发计划、国家自然科学基金、清华-丰田联合研究基金、北京市自然科学基金、北京信息科学与技术国家研究中心及111国际合作项目等多项基金支持。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com