近日，北京大學材料科學與工程學院龐全全教授團隊聯合清華大學、勞倫斯伯克利國家實驗室、普林斯頓大學及SESAICorp.等國內外頂尖科研機構與企業，在鋰金屬電池電解液研發領域取得突破性進展。團隊創新提出融合深度主動學習與知識遷移的兩階段研究框架，成功破解電解液設計“試錯難、周期長、成本高”的行業痛點，實現高性能電解液的快速發現與知識高效遷移。相關研究成果于3月27日提前在線發表于國際頂級期刊《自然?通訊》（NatureCommunications），為下一代高能量密度鋰金屬電池商業化落地提供關鍵技術支撐。
鋰金屬電池因具備超高理論能量密度，被公認為下一代儲能與動力電池的核心發展方向，其性能突破對新能源產業升級意義重大。但鋰金屬負極庫倫效率低、界面穩定性差等核心難題，長期制約其規模化應用，而電解液作為調控負極界面、決定電池循環壽命的核心組分，是破解上述瓶頸的關鍵。不同于傳統材料研發，電解液設計面臨龐大離散的化學搜索空間，鋰鹽、溶劑、添加劑及不同濃度組合形成海量配方，且組分間界面化學、電解液化學相互耦合，性能關聯高度不連續。傳統“試錯式”研發模式不僅實驗成本高昂、研發周期漫長，更難以適配新分子引入、高維配方擴展等復雜場景，行業亟需高效、智能的電解液研發新范式。
針對電解液設計“搜索空間大、性能關系不連續、實驗噪聲高”三大核心痛點，龐全全團隊聯合跨學科、跨機構科研力量，構建深度主動學習（DAL）與目標統計編碼（TSC）融合的兩階段創新框架，以人工智能技術賦能電解液智能篩選與設計知識遷移，實現從少樣本實驗中精準挖掘高性能配方，并將學習到的設計規律高效遷移至復雜場景。
研究第一階段，團隊聚焦由鋰鹽、溶劑、添加劑及濃度構成的720種初始電解液配方空間，創新性采用深度核學習結合Thompson采樣算法，智能篩選每一輪最具信息量的實驗樣本，精準建模電解液配方與電池循環壽命間高度非線性、不連續的關聯關系，規避無效實驗、大幅提升篩選效率。
第二階段，團隊通過目標統計編碼技術，將主動學習過程中捕捉到的組分間復雜相關性進行顯式編碼，形成可復用、可遷移的電解液設計知識體系，突破單一配方空間限制，實現知識向更高維候選空間、鋰金屬全電池及含新分子配方場景的跨場景遷移。 實驗結果充分驗證該框架的高效性與精準性：在720種初始配方空間中，僅經過三輪深度主動學習迭代、累計完成128個電池樣本測試，電池平均循環壽命便從隨機篩選階段的41.9次提升至125.1次；短壽命電池占比由80.6%驟降至28.1%，長壽命電池占比從9.7%提升至40.6%。對篩選出的前5種優質電解液進行重復驗證，其綜合性能顯著優于同類型已發表的高性能文獻配方，證明該方法篩選結果的可靠性與先進性。
更重要的是，研究實現了電解液設計知識的高效跨場景遷移，破解復雜體系研發難題。將初始720種配方擴展至5400種更高維候選空間，零樣本條件下即可快速鎖定優質電解液，前5種配方平均循環壽命達200.6次，較原始空間最優水平提升1.6倍；在貼近實際應用的鋰金屬/NCM811全電池體系中，遷移后電解液100圈平均容量保持率達84.0%，遠超首輪配方58.2%的水平；面對新分子引入引發的組合爆炸，構建5760種新配方空間，僅通過32個樣本的一輪實驗，150圈平均容量保持率便從24.4%提升至56.5%，最優配方250圈后容量保持率仍達83%，適配新型電解液研發需求。
該研究首次將深度主動學習與知識遷移深度融合，為復雜電解液體系提供“少樣本、高效率、可遷移”的智能研發新范式，打破傳統試錯研發的局限，為緩解鋰金屬電池“碳酸酯/醚類沖突”、開發長壽命高性能電解液開辟全新技術路徑。研究成果充分證明，人工智能驅動的材料自主發現，正推動新能源材料研發從經驗驅動向數據驅動、從低效試錯向精準預測轉變，為鋰金屬電池產業化加速提供重要支撐。
本研究論文由北京大學、清華大學、勞倫斯伯克利國家實驗室、普林斯頓大學、SESAICorp.聯合完成。北京大學龐全全教授、清華大學江奔奔副教授、SESAICorp.許康為論文共同通訊作者，北京大學2025屆博士畢業生洪旭峰為第一作者，清華大學博士生王璽哲為共同第一作者，北京大學為論文第一通訊單位。研究工作獲國家重點研發計劃、國家自然科學基金、清華-豐田聯合研究基金、北京市自然科學基金、北京信息科學與技術國家研究中心及111國際合作項目等多項基金支持。
電池網微信
