一项由芝加哥大学普里茨克分子工程学院助理教授奇布埃泽·阿曼丘克武实验室主导的研究，展示了一种高效的人工智能模型，仅凭58个数据点便成功筛选出百万种潜在电池电解质中的高性能候选物。该成果发表于《自然·通讯》。 在传统材料研发中，训练AI模型通常需要数百万甚至上亿条数据，但针对新兴电池技术，这类数据往往严重匮乏。芝加哥大学博士后研究员里特什·库马尔指出：“每个实验可能耗时数周甚至数月，等待海量数据积累根本不可行。”为此，研究团队开发了一种主动学习模型，通过“预测—实验—反馈”的闭环机制，显著提升效率。 模型最初基于仅58个实验数据点进行训练，随后主动推荐候选电解质，研究人员实际制造电池并测试其循环寿命，将真实实验结果反馈至AI，不断优化预测能力。经过七轮主动学习，每轮测试约10种电解质，最终成功识别出四种性能媲美现有顶尖电解质的新化合物。 库马尔强调：“AI初期预测准确率有限，但通过不断验证，我们能有效控制误差。” 他指出，若对百万种电解质逐一实验，显然不现实。而AI的“预测—验证”模式，正是在有限资源下实现突破的关键。 研究团队还展望未来：下一步或将完全摆脱对已有数据的依赖，让AI从零生成全新分子结构。合作者马培源博士表示，当前模型依赖已有数据库中的分子，而未来可探索高达10的60次方级的化学空间，发现人类从未设想的分子构型。 此外，未来AI还需综合评估电解质的多重性能指标，如容量、安全性与成本，而不仅是循环寿命。马培源指出：“真正能商业化的电解质必须满足多维度要求，AI需具备多目标筛选能力。” 库马尔总结道，AI有助于打破科研中的认知偏见——人类往往局限于已有成果，而AI能引导探索未知领域，推动真正颠覆性创新。