近日，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、普林斯顿大学及SESAICorp.等国内外顶尖科研机构与企业，在锂金属电池电解液研发领域取得突破性进展。团队创新提出融合深度主动学习与知识迁移的两阶段研究框架，成功破解电解液设计“试错难、周期长、成本高”的行业痛点，实现高性能电解液的快速发现与知识高效迁移。相关研究成果于3月27日提前在线发表于国际顶级期刊《自然・通讯》（NatureCommunications），为下一代高能量密度锂金属电池商业化落地提供关键技术支撑。
锂金属电池因具备超高理论能量密度，被公认为下一代储能与动力电池的核心发展方向，其性能突破对新能源产业升级意义重大。但锂金属负极库伦效率低、界面稳定性差等核心难题，长期制约其规模化应用，而电解液作为调控负极界面、决定电池循环寿命的核心组分，是破解上述瓶颈的关键。不同于传统材料研发，电解液设计面临庞大离散的化学搜索空间，锂盐、溶剂、添加剂及不同浓度组合形成海量配方，且组分间界面化学、电解液化学相互耦合，性能关联高度不连续。传统“试错式”研发模式不仅实验成本高昂、研发周期漫长，更难以适配新分子引入、高维配方扩展等复杂场景，行业亟需高效、智能的电解液研发新范式。
针对电解液设计“搜索空间大、性能关系不连续、实验噪声高”三大核心痛点，庞全全团队联合跨学科、跨机构科研力量，构建深度主动学习（DAL）与目标统计编码（TSC）融合的两阶段创新框架，以人工智能技术赋能电解液智能筛选与设计知识迁移，实现从少样本实验中精准挖掘高性能配方，并将学习到的设计规律高效迁移至复杂场景。
研究第一阶段，团队聚焦由锂盐、溶剂、添加剂及浓度构成的720种初始电解液配方空间，创新性采用深度核学习结合Thompson采样算法，智能筛选每一轮最具信息量的实验样本，精准建模电解液配方与电池循环寿命间高度非线性、不连续的关联关系，规避无效实验、大幅提升筛选效率。
第二阶段，团队通过目标统计编码技术，将主动学习过程中捕捉到的组分间复杂相关性进行显式编码，形成可复用、可迁移的电解液设计知识体系，突破单一配方空间限制，实现知识向更高维候选空间、锂金属全电池及含新分子配方场景的跨场景迁移。 实验结果充分验证该框架的高效性与精准性：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，电池平均循环寿命便从随机筛选阶段的41.9次提升至125.1次；短寿命电池占比由80.6%骤降至28.1%，长寿命电池占比从9.7%提升至40.6%。对筛选出的前5种优质电解液进行重复验证，其综合性能显著优于同类型已发表的高性能文献配方，证明该方法筛选结果的可靠性与先进性。
更重要的是，研究实现了电解液设计知识的高效跨场景迁移，破解复杂体系研发难题。将初始720种配方扩展至5400种更高维候选空间，零样本条件下即可快速锁定优质电解液，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；在贴近实际应用的锂金属/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58.2%的水平；面对新分子引入引发的组合爆炸，构建5760种新配方空间，仅通过32个样本的一轮实验，150圈平均容量保持率便从24.4%提升至56.5%，最优配方250圈后容量保持率仍达83%，适配新型电解液研发需求。
该研究首次将深度主动学习与知识迁移深度融合，为复杂电解液体系提供“少样本、高效率、可迁移”的智能研发新范式，打破传统试错研发的局限，为缓解锂金属电池“碳酸酯/醚类冲突”、开发长寿命高性能电解液开辟全新技术路径。研究成果充分证明，人工智能驱动的材料自主发现，正推动新能源材料研发从经验驱动向数据驱动、从低效试错向精准预测转变，为锂金属电池产业化加速提供重要支撑。
本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，北京大学为论文第一通讯单位。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。
电池网微信
