UTDallas：机器学习助力锂金属电解液双目标协同优化

第一作者：张嘉毅

通讯作者：苏来锁，Cormac Toher

通讯单位：美国德州大学达拉斯分校

【研究背景】

研究意义： 锂金属电池（LMBs）因其超高的理论比容量和极低的电极电位，被广泛认为是实现下一代高能量密度储能系统的核心技术。然而，其实际应用仍面临诸多挑战，尤其是锂金属与电解液之间界面反应剧烈，导致界面不稳定、库仑效率低以及锂枝晶生长等问题，严重限制了其循环寿命与安全性。在众多策略中，通过优化电解液配方以提升锂负极界面的稳定性、抑制副反应、减少不可逆锂损失，从而提高库仑效率和循环性能，已成为一种经济高效且具有可行性的解决方案。

研究现状： 局域高浓度电解液（LHCE）因其在提升界面稳定性、抑制副反应等方面的显著优势，近年来成为电解液研究的重要方向。典型的LHCE体系由锂盐、溶剂、稀释剂和添加剂构成，其电化学性能对各组分种类及其比例高度敏感，呈现出复杂的耦合关系。然而，目前相关研究多依赖经验驱动的试错法进行配方探索，不仅效率低、成本高，还缺乏系统性的优化策略，难以充分挖掘其性能潜力。

【拟解决的关键问题】

1. 电解液成分与性能的非线性耦合机制复杂，难以系统优化。

2. LHCE配方优化目标多样（如库仑效率与过电位），缺乏同时权衡多个性能指标的有效方法。

3. 现有工作未充分利用机器学习等现代工具加速实验与性能预测。

【研究思路剖析】

构建性能热图，实现可视化分析与决策

1. 基于GPR预测结果绘制CE与Overpotential的二维热图，快速识别潜在高性能区域。

2. 可视化指导后续配方筛选，显著减少试验次数与资源消耗，提高优化效率。

构建多目标贝叶斯优化框架

1. 引入双目标优化指标： 引入库仑效率（Coulombic Efficiency, CE）与过电位（Overpotential）作为优化目标，分别代表电解液的热力学稳定性与动力学传输性能。

2. 构建代理模型并执行帕累托分析：利用高斯过程（Gaussian Process, GP）对性能进行预测，通过帕累托前沿（Pareto Front）分析在多个目标之间实现最优权衡。

结合实验反馈，迭代提升模型精度

1. 使用网格采样选取初始配方组合，获取性能数据用于模型训练。

2. 基于主动学习的迭代优化：每轮实验后更新训练数据集，提升模型预测准确性，逐步收敛至最优区域，实现实验–模型闭环优化。

【图文简介】

本研究提出了一种基于机器学习的双目标优化框架，以系统探索锂金属电池（LMB）中局域高浓度电解液（LHCE）的最佳配方。优化目标包括库仑效率（CE）与过电位（Overpotential），分别反映电解液的热力学与动力学性能。传统LHCE设计依赖经验试错，难以系统优化电解液组分（LiFSI、DME、TTE三元体系）。为解决这一问题，我们构建了贝叶斯优化（BO）与帕累托前沿分析相结合的策略，借助实验反馈逐步收敛至最优配方。

图1.

要点1. 本图展示了基于贝叶斯优化（BO）和帕累托前沿分析的锂金属电池电解液双目标优化策略：1. 通过系统构建不同LiFSI:DME（X₁）与LiFSI:TTE（X₂）摩尔比的电解液组成网格，初步覆盖潜在配方空间。2. 组装Li|C电池，并引入性能指标变换（将库仑效率CE转化为LCE = -log₁₀(1-CE)）。3. 通过电池循环测试获得CE与过电位（ΔV）数据，分别反映界面稳定性与离子传输效率。4. 使用高斯过程回归模型，结合帕累托分析选择最优配方，实现性能提升与实验迭代优化闭环。整个流程实现了从“配方设计 – 实验验证 – 机器学习建模 – 优化反馈”的高效循环，有效加速电解液筛选并提升电池性能。

图2.

要点2. 本图系统展示了在Li|Cu电池中，通过贝叶斯优化策略逐步筛选出的局域高浓度电解液（LHCE）配方的性能演化过程：

图2a | 配方空间分布（Composition Mesh）
以X₁（LiFSI:DME）与X₂（LiFSI:TTE）为坐标轴，标示出每一轮实验中所选配方的位置。随着优化迭代推进，实验点逐步向右下角高性能区域集中，反映出机器学习模型对潜力配方的快速收敛能力。

图2b | 双性能指标分布（LCE vs. Overpotential）
展示各批次电解液的LCE与过电位表现。从初始批次到第五批次，数据点明显向“高LCE、低过电位”方向移动，表明优化策略在提升界面稳定性与离子传输效率方面具有协同增益。

图2c | 电压曲线对比（Voltage Profiles）
对比多个代表性配方的电压曲线，其中LDT5-1电解液表现出最小过电位和最稳定的平台电压，进一步验证其在电化学稳定性与动力学性能方面的优异表现。插图为剥/镀锂循环电压的局部放大图，显示优化配方在微观界面行为上的改善。

图3.

要点3.该图展示了经过多轮优化后的电解液性能实验数据与机器学习模型预测结果之间的对比，强调贝叶斯优化在性能预测与配方筛选中的作用：

图3a | 实验测得的过电位分布（Experimental Overpotential）
标示了不同配方（X₁：LiFSI:DME, X₂：LiFSI:TTE）对应的过电位（单位×10^-2 V），数据稀疏但揭示了高过电位集中在低X₁高X₂区域，验证高浓度电解液在传输性能上的优化潜力。

图3b | 实验测得的LCE分布（Experimental LCE）
展示了各配方下的LCE值（单位 ×10^-1），作为衡量锂损耗的热力学指标。高LCE区域集中于中等X₁和较高X₂，表明溶剂与稀释剂配比对界面稳定性影响显著。

图3c | GPR预测的过电位分布（GPR Predicted Overpotential）
使用高斯过程回归模型对整个配方空间进行插值预测。结果显示高X₁（低DME比例）配方普遍具有更低的过电位，提供了明确的设计指导。

图3d | GPR预测的LCE分布（GPR Predicted LCE）
预测结果揭示高LCE区域集中在中间偏右（X₁≈4–5）与较低X₂的组合区域。相比于稀疏实验点，模型提供了更完整的设计空间视图，便于识别潜在高性能配方。

图4.

要点4. 本图展示了通过贝叶斯优化获得的代表性LHCE配方在Cu|LFP无负极电池体系中的电化学性能表现，并与行业基准电解液M47进行对比，验证优化策略的有效性。

图4a | 无负极电池的容量保持率（Cycle Stability）
对比不同批次最优配方（LDT2-3至LDT5-1）在Cu|LFP电池中的100圈循环性能。结果显示，优化配方的循环稳定性逐步提升，其中LDT5-1在第100圈仍保持55%的容量，明显优于早期配方。

图4b | 库仑效率演化（Coulombic Efficiency Evolution）
各配方在前40圈的CE演化趋势表明：随着优化批次推进，CE趋于更快稳定，LDT5-1在早期即表现出更高的可逆性，意味着其在形成稳定SEI方面更具优势。

图4c | 前20圈平均CE统计（Early CE Comparison）
柱状图比较了各批次前20圈的平均CE，LDT5-1达到98.98%，超过行业基准电解液M47（98.90%），凸显优化配方在初期循环中的锂利用效率提升。

图4d | 优化配方与基准电解液对比（LDT5-1 vs. M47）
直接对比LDT5-1与M47在Cu|LFP无负极电池中的循环性能。LDT5-1在整个测试期间保持更高的容量，最终实现10%的容量优势，验证本研究提出的优化方法可超越已有SOTA电解液。

【意义分析】

本研究构建了双目标贝叶斯优化策略，打破传统试错瓶颈，实现电解液热力学与动力学性能的协同提升。优化配方在无负极电池中超越SOTA表现，展现了机器学习在电解液设计中的强大潜力与广泛适用性。

🔹1. 打破传统试错瓶颈，提升电解液开发效率
传统电解液开发多依赖经验驱动的试错法，面对多组分复杂配比的LHCE体系往往耗时耗力。本研究通过引入贝叶斯优化与帕累托前沿分析，构建了实验–模型闭环的高效探索框架，大幅提升了优化效率与成功率。

🔹2. 实现双目标协同优化，平衡热力学与动力学性能
将库仑效率（CE）与过电位（ΔV）作为热力学与动力学性能的代表，构建双目标优化模型，明确权衡机制，有效筛选出在两方面均表现优异的电解液配方，突破以往仅单指标优化的局限。

🔹3. 实证验证机器学习在材料设计中的强大能力
结合实验反馈与高斯过程回归模型（GPR），本研究实现了对电解液性能在配方空间内的精准预测与快速迭代，展示了数据驱动策略在材料设计中的实用价值。

🔹4. 优化配方超越SOTA，推动实际电池性能提升
所筛选出的新型LHCE配方LDT5-1在无负极Cu|LFP电池中表现出优于M47（行业常用高性能配方）的循环性能和初期CE，为高性能、可规模应用的锂金属电池电解液开发提供了新方向。

🔹5. 具备高度可扩展性，适用于更多电池体系
该方法不仅适用于本研究中采用的LiFSI–DME–TTE体系，还可扩展至其他类型电解液体系和应用场景，如高电压电池、硅负极、全固态电池等，为多场景材料优化提供了通用策略。

【原文链接】

https://doi.org/10.1016/j.mtener.2025.101909

锂电联盟会长向各大团队诚心约稿，课题组最新成果、方向总结、推广等皆可投稿，请联系：邮箱libatteryalliance@163.com或微信Ydnxke。