用于机器学习引导锂金属电池稀释剂设计的物理基础描述符
Physically Grounded Descriptors for Machine-Learning-Guided Diluent Design in Lithium Metal Batteries
研究以 BF3 亲和力和分子极性指数(MPI)两个描述符刻画稀释剂的给电子与分布式静电作用,并结合不确定性感知机器学习从 132 万个非氟化分子中筛出 368 个候选。筛选出的 1,2,4-三甲苯和 2-乙基甲苯使锂金属全电池稳定循环超过 200 圈,而被描述符排除的类似物容量快速衰减。
已发表论文 · journal · 10.1021/jacs.6c16379
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
IF(5) 16.1 · 2025 · 期刊参考指标
局部高浓度电解液需要使用稀释剂,这类稀释剂应避免与 Li+ 直接配位、保持 Li+-阴离子聚集体,同时与主溶剂保持互溶。由于这些相互竞争的要求源于化学性质截然不同的相互作用,且缺乏可计算的分子设计坐标,理性发现稀释剂一直十分困难。因此,氟化被广泛用于抑制电子给体能力,但含氟分子的环境持久性与合成负担促使人们寻求控制稀释剂功能的替代策略。在此,我们利用两个互补描述符解析了稀释剂的关键相互作用要求:BF3 亲和力用于表征特定电子对给体能力,分子极性指数(MPI)用于表征分布式非特异性静电相互作用。这些描述符重现了已确立的给体数与 Kamlet–Taft π* 趋势,更重要的是,能够将非配位但互溶的稀释剂与溶剂化且不互溶的溶剂区分开来。将这一基于相互作用的框架与具备不确定性感知的机器学习相结合,实现了对 132 万个非氟分子的筛选,识别出 368 个候选分子,同时在决策边界附近找回了假阴性并排除了假阳性。新筛选出的芳香烃,包括 1,2,4-三甲苯和 2-乙基甲苯,在锂金属全电池中稳定循环超过 200 次,而被描述符排除的类似物则出现快速容量衰减。这些结果确立了特定配位与分布式静电作用作为稀释剂发现的预测性设计坐标。
来源:Journal of the American Chemical Society · doi.org