生成式人工智能驱动的下一代碱金属电池电解质的发现

《Journal of Chemical Information and Modeling》:Generative AI-Driven Discovery of Next-Generation Electrolytes for Alkali Metal Batteries

【字体: 大 中 小 】 时间:2026年03月27日 来源:Journal of Chemical Information and Modeling 6.4

编辑推荐:

  人工智能(AI)的最新进展正通过解锁设计新型化合物和精确预测其性能的前所未有能力,彻底改变材料科学。其中,基于图的机器学习(ML)算法因其能够捕获复杂的原子相互作用并将其用作有效描述符而受到广泛关注。在本研究中,研究人员将最先进的生成式人工智能(Gen AI)

  
人工智能(AI)的最新进展正通过解锁设计新型化合物和精确预测其性能的前所未有能力,彻底改变材料科学。其中,基于图的机器学习(ML)算法因其能够捕获复杂的原子相互作用并将其用作有效描述符而受到广泛关注。在本研究中,研究人员将最先进的生成式人工智能(Gen AI)和ML技术与量子力学计算相结合,以发现用于碱金属电池的新型下一代电解质。研究人员开发了一个生成对抗网络(GAN)框架,该框架结合了基于图的生成器和判别器模型,以生成新型电解质候选物。该GAN模型在来自GDB-11数据库的约100万分子子集上进行了训练,从而能够生成30,000个独特且化学有效的分子。同时,研究人员利用QM9数据集训练了一个消息传递神经网络(MPNN)模型用于性能预测。利用训练好的MPNN模型,研究人员预测了新生成分子的性质,并根据负标准生成焓和宽HOMO-LUMO能隙的标准筛选了候选物。进行了第一性原理密度泛函理论(DFT)计算以进行额外筛选,并评估关键的热力学和电化学性质,包括标准生成焓、氧化电位和还原电位。最终,获得了26个具有出色电化学特性的有前景的候选物。研究人员的发现证明了AI驱动方法在发现高性能、稳定且高效的电解质方面的潜力,这些电解质可作为下一代储能系统中传统有机电解质的有前景替代品。
**生成式人工智能驱动的碱金属电池下一代电解质发现:论文解读**

### 研究背景与问题

当前,先进电池技术的发展高度依赖高效、安全且化学稳定的电解质材料的发现。然而,电解质分子的设计空间极为广阔且多维,涉及电化学稳定性、离子电导率、粘度、介电常数以及与电极材料的相容性等性质之间的权衡。传统的实验和计算方法虽然基础,但往往过于缓慢且资源密集,难以跟上下一代储能解决方案的迫切需求。在此背景下,机器学习(ML)通过从现有数据中学习复杂的结构-性质关系,并实现候选分子的高通量筛选,已成为加速电解质发现的有力工具。尽管ML在材料研究领域取得了显著进展,但在电池电解质领域,发现尚未合成但有望彻底改变电池技术的全新有机溶剂分子仍是一个重大挑战。这促使研究人员探索新的策略来发现具有优良特性的新型电解质分子,以推动下一代电池技术的发展。

### 研究内容与结论

为加速发现用于碱金属电池的下一代电解质,研究人员将先进的ML和生成式人工智能(Gen AI)技术与量子力学计算相结合,开展了一项系统性研究。研究人员开发了一个生成对抗网络(GAN)框架,并采用基于图的生成器和判别器模型,从GDB-11数据库中约100万分子的子集学习,成功生成了30,000个独特且化学有效的分子。同时,利用QM9数据集训练了一个消息传递神经网络(MPNN)模型,用于预测关键电化学性质,包括标准生成焓(ΔH_f^0)、HOMO能量(ε_HOMO^GW)和LUMO能量(ε_LUMO^GW)。通过应用负标准生成焓和宽HOMO-LUMO能隙的筛选标准,从生成分子中初步筛选出50个候选物。随后,研究人员采用第一性原理密度泛函理论(DFT)计算(使用B3LYP泛函结合6-31+G*和aug-cc-pVTZ基组,以及SMD隐式溶剂模型模拟丙酮环境),对候选物进行了进一步验证和评估,包括计算标准生成焓、HOMO/LUMO能量、氧化电位和还原电位。最终,获得了26个具有出色电化学特性的有前景的候选物,其氧化电位范围为5.6–6.9 V(vs. Li/Li^+),还原电位范围为-0.68–0.75 V(vs. Li/Li^+)。该研究证明了AI驱动方法在发现高性能、稳定且高效的电解质方面的潜力,这些电解质可作为下一代储能系统中有机电解质的替代品。该论文发表在《Journal of Chemical Information and Modeling》。

### 主要关键技术方法

研究人员主要采用以下关键技术方法:
1. **生成对抗网络(GAN)**:采用Wasserstein GAN(WGAN)框架,基于分子图表示(原子为节点、化学键为边),构建图卷积生成器和判别器,从GDB-11数据库子集(约100万分子,含1–11个重原子)学习并生成新型分子结构。
2. **消息传递神经网络(MPNN)**:构建MPNN模型,利用QM9数据集(包含约133,000个分子及G4MP2标准生成焓、GW HOMO/LUMO能量)作为训练数据,预测生成分子的关键电化学性质。
3. **第一性原理密度泛函理论(DFT)计算**:使用Gaussian 16软件,在B3LYP/6-31+G*和B3LYP/aug-cc-pVTZ水平下进行几何优化、频率分析和单点能计算,利用热力学循环方法计算氧化/还原电位,并通过G4MP2方法验证标准生成焓。

### 研究结果

#### 3.1 新型电解质分子的生成
研究人员通过GAN模型迭代生成分子,并评估其有效性、唯一性、新颖性和多样性。平均约85%的生成分子通过化学有效性检查,约98%的有效分子是独特的,约20%的有效分子相对于训练集是新颖的。通过t-SNE分析,发现生成分子广泛分布于化学空间,且与训练集分子重叠区域较大,表明模型成功捕获了分子结构分布并探索了新颖区域。合成可及性(SA)评分分析显示,大多数生成分子的SA评分在2–5之间,表明具有良好的合成可行性。最终获得约30,000个独特且有效的分子。

#### 3.2 生成分子性质的MPNN预测
研究人员训练了两个MPNN模型:单目标模型(预测ΔH_f^0)和多目标模型(预测ε_HOMO^GW和ε_LUMO^GW)。模型在QM9测试集上的表现:ΔH_f^0的R2为96.82%,MAE为7.68 kcal/mol;ε_HOMO^GW的R2为88.33%,MAE为0.128 eV;ε_LUMO^GW的R2为93.81%,MAE为0.170 eV。利用训练好的MPNN模型预测30,000个生成分子的性质,并通过筛选标准(负ΔH_f^0、LUMO > -2 eV、HOMO < -6.65 eV)将候选物缩减至50个。

#### 3.3 DFT计算
##### 3.3.1 标准生成焓
研究人员对50个候选物进行DFT几何优化和频率分析,确认其结构稳定性(无虚频)。通过G4MP2方法计算标准生成焓,发现其中26个分子具有负标准生成焓,表明其热力学稳定性。MPNN预测值与DFT计算值趋势一致,尽管存在一定离散,但验证了MPNN模型的预测能力。值得注意的是,大多数最终候选分子(26个)含有腈基(-C≡N)官能团。

##### 3.3.2 HOMO-LUMO能量
研究人员比较了MPNN预测和DFT计算的HOMO/LUMO能量。DFT计算的HOMO能量平均比MPNN预测低约1.5 eV,LUMO能量平均高约0.90 eV,这种系统性偏差源于MPNN训练数据(GW方法)与DFT计算(B3LYP泛函)的方法差异,但相对趋势一致。此外,使用6-31+G*和aug-cc-pVTZ基组得到的HOMO/LUMO能量差异很小(HOMO约0.09 eV,LUMO约0.13 eV),表明较小的基组足以准确描述性质。

##### 3.3.3 氧化/还原电位
研究人员通过DFT热力学循环计算了26个分子的氧化和还原电位。氧化电位范围为5.6–6.9 V(vs. Li/Li^+),与已知商业电解质溶剂(如DME、DOL、EC)的氧化电位(经文献验证)相符或略高,表明优异的氧化稳定性。还原电位范围为-0.68–0.75 V(vs. Li/Li^+),大部分分子具有负或略正的还原电位,符合锂金属电池对电解质的稳定性要求。两种基组计算的电化学窗口结果相近,进一步验证了计算可靠性。

### 讨论与结论总结

研究人员指出,通过GAN和MPNN的集成方法,成功生成了大量新型分子并筛选出具有优良电化学特性的候选物。MPNN模型在性质预测上表现良好,但存在与DFT的系统性偏差,未来可通过采用与DFT相同理论水平的数据进行训练来改进。DFT验证显示,最终26个候选分子具有负标准生成焓,以及合适的HOMO/LUMO能隙和氧化/还原电位,多数分子含有腈基官能团,这可能与特定电化学特性相关。
**研究结论**:本研究旨在通过利用Gen AI和基于图的ML算法发现用于碱金属电池的新型电解质分子。研究从开发一个GAN框架开始,该框架在来自GDB-11数据库子集的分子图表示上训练。研究人员发现,GAN能够成功生成约30,000个新颖且有效的分子,这些分子保留了训练数据的多样性和一般结构基序,并通过t-SNE分析进一步证实。随后,研究人员通过训练一个MPNN模型(使用QM9数据集,以分子结构信息作为描述符)来预测关键电化学性质,包括标准生成焓、HOMO能量和LUMO能量。开发的MPNN模型对这些性质的预测准确率分别超过96%、88%和93%。研究人员将训练好的MPNN模型应用于30,000个GAN生成的分子以预测其电化学性质,并采用严格的筛选标准(负标准生成焓和宽电化学窗口)来缩减候选物。获得了50个电解质候选分子。最后,使用6-31+G*和aug-cc-pVTZ基组以及G4MP2方法进行DFT计算,以验证预测性质并确定其氧化和还原电位。基于负标准生成焓,仅选择了26个分子作为最终电解质候选。分析表明,所选最终分子表现出良好的电化学特性,氧化电位范围为5.6–6.9 V(vs. Li/Li^+),还原电位范围为-0.68–0.75 V(vs. Li/Li^+)。总体而言,本工作证明了GAN和MPNN模型的集成提供了一种有效方法,可加速发现具有良好性质的碱金属电池电解质分子。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号