人工智能加速下一代电池电解质开发，性能媲美市场顶级产品

在设计下一代电池时，找到高性能的电解质是一个重大的瓶颈问题。现有的最稳定电解质不一定是最导电的，而最高效的电池又往往不够稳定。为了解决这一难题，芝加哥大学普利兹克分子工程学院（UChicago PME）的研究人员开发了一种人工智能和机器学习框架，用于寻找能够最大化离子传导性、氧化稳定性和库仑效率这三种理想电池电解质特性的分子。 这项研究由UChicago PME的博士后研究员Ritesh Kumar牵头，他在Amanchukwu实验室工作。团队从250篇锂离子电池研究论文中整理出的数据集，通过AI计算不同分子的“eScore”来平衡这三种特性，从而识别出符合所有要求的分子。Amanchukwu教授解释说，在一个属性上表现最佳的分子在另一个属性上不一定是最好的，因此这种多指标综合评估方法尤为重要。 研究人员已经用这种方法成功地发现了一种分子，其性能与市场上最好的电解质相当，这是电池材料研发领域的一大进步。通常情况下，研究人员通过试错法来优化电解质性能，但这一过程既慢又难以平衡多种竞争属性。相比之下，利用AI筛选潜在候选分子可以显著提高研发效率，减少时间和资源的浪费。 由于理论上可能用于电池电解质的分子数量高达10的60次方，人工逐一评估这些分子是不可能的任务。Kumar提到：“目前我们已经从50年的研究文献中提取出了数千种潜在电解质。”尽管数据集庞大，但这只是第一步。团队接下来的目标是让AI能够在面对从未见过的新分子时也能准确预测其性能，这一技术将极大加速新电池材料的设计过程。 在描述这一过程时，Amanchukwu将其比喻为在线听音乐。就像训练过的AI可以根据个人的音乐品味推荐歌曲一样，这个新的电解质研究框架也能够通过现有数据预测某种分子是否适合成为好的电解质。最终，他们希望让AI不仅能够识别潜在的电解质，还能够生成完全符合要求的新分子设计方案。 业内人士评价与公司背景 西北大学化学与生物工程助理教授Jeffrey Lopez认为，这种数据驱动的研究框架对于加速新电池材料的研发至关重要，它能够利用人工智能技术和实验室自动化的优势，有效解决传统试错方法中的低效问题。芝加哥大学普利兹克分子工程学院一直致力于将人工智能应用于多个领域，包括癌症治疗、免疫疗法、水处理方法、量子材料等新技术的研发。这些努力不仅提高了科学研发的效率，也为未来的科技创新奠定了坚实的基础。