NpjComput.Mater.：電化學儲能器件：資料驅動的電解液分解電位

海歸學者發起的公益學術平臺

分享資訊，整合資源

交流學術，偶爾風月

電化學儲能器件工作過程中，電解液溶劑在炭材料負極表面發生還原分解，其分解電位決定了儲能器件的工作電位和能量密度。在實際應用中，炭材料表面的金屬雜質原子和空位等缺陷提升了局部的化學活性，促使電解液在其電化學視窗以內發生還原分解，對器件的迴圈壽命帶來不利影響。然而，由於炭材料內部的金屬雜質原子多以痕量存在，對溶劑實際還原電位進行實驗表徵非常困難。

圖1 資料驅動的電解液溶劑還原電位預測工作流示意圖

來自中國科學院山西煤炭化學研究所的蘇方遠研究員及其研究團隊，創新性地將計算氫電極（CHE）模型和資料驅動的科研正規化相結合，建立了預測電解液溶劑還原電位的新方法。他們將CHE模型進行推廣應用，藉助機器學習模型繞過電解液還原反應機理實現了電解液溶劑在炭材料表面還原電位的準確預測。該研究對12種常見電解液溶劑在32種金屬雜質原子和空位表面的384個還原電位資料進行了計算並組成反應電位資料集，隨後基於特徵工程和多種機器學習演算法訓練並篩選出最佳的機器學習迴歸模型。為了驗證模型泛化能力，採用6種溶劑組成驗證集並對其還原電位進行實驗驗證。可解釋性機器學習演算法和基於第一性原理的電子結構分析方法被用於分析溶劑反應產物與炭材料表面的相互作用。同時，基於第一性原理計算的電子結構分析方法被用於解析溶劑在不同金屬雜質存在條件下的還原電位差異。研究表明，由於金屬雜質原子的電子結構差異，電解液溶劑還原反應中間體與不同種類的金屬雜質原子形成不同型別的原子間相互作用，決定了還原反應自由能，從而導致溶劑還原電位的差異。

圖2 特徵工程和機器學習迴歸模型訓練結果

該研究藉助資料驅動的科研正規化，建立了電化學儲能體系中電解液溶劑還原電位預測的機器學習工作流，為高效能電化學儲能器件和新型電解液設計提供了理論指導。該文近期發表於 npj Computational Materials11：135(2025)，英文標題與摘要如下，點選左下角“閱讀原文”可以自由獲取論文PDF。

圖3 溶劑還原反應中間體與炭材料表面相互作用的電子結構分析

Predicting practical reduction potential of electrolyte solvents via computational hydrogen electrode and interpretable machine-learning models

Zonglin Yi, Yi Zhou, Hao Liu & Fangyuan Su

Accurate prediction of practical reduction electrode potentials (Ered) of electrolyte solvents of electrochemical energy storage devices relies on calculating the Gibbs free energy in their reduction reaction. However, the emergence of new electrolyte solvents and additives leaves most of the reaction mechanisms unveiled. Here, we provide a machine-learning-assisted workflow of thermodynamically quantified Ered prediction for electrolyte solvents. A computational hydrogen electrode model based on density functional theory calculation is generalized for calculating the reaction free energy of electrochemical elementary steps. Machine-learning models are trained based on the organic and inorganic electrolyte solvents that possess experimentally identified reduction mechanisms. Validation of the best-scoring model is conducted by experimental validation of 6 additional solvents. Multiple thermodynamics features are found impactful on Ered through different chemical bonding with reaction intermediates. This workflow enables accurate Ered prediction for electrolyte solvents without identified reduction mechanisms, and is widely applicable in the electrochemical energy storage area.