人工智能（AI）通过关联溶剂/团簇的复杂物理化学性质与电池性能，促进了电解质的筛选。然而，利用传统静态模型通过机器学习建模和解释离子-溶剂团簇的动态演化与其电化学性能之间的高维关系仍具挑战性。
在此，太原理工大学左志军，上海交通大学杨晓伟、赵婉玉等人开发了一种动态溶剂化模型，通过精确提取溶剂化离子在组成、溶剂化和迁移阶段的描述符。以可充电镁电池（RMBs）为例，该模型揭示了镁电池最优的阴离子配位溶剂化结构具有配体配位数（CNs）为2/3/4和原子配位数为5的特性，能够增强去溶剂化和固态电解质界面（SEI）的形成。
此外，扩散系数作为影响离子电导率的关键因素，受介电常数和溶剂性质调控。基于此模型的智能筛选流程在实验验证中识别出具有低过电位和长循环寿命的电解质，为利用人工智能设计高性能电池提供了新视角。
图1. 可行性分析
总之，该工作通过动态溶剂化模型填补了溶剂化结构与电池性能之间的认知空白，并基于镁电池构建了包含6,030个溶剂化结构的三个数据库。利用机器学习方法关联电解质与电池性能的关系，明确了直接影响性能的电解质参数。在分子尺度上，阐明了C=O基团、氧磷比（OP）和氨基官能团对过电位的贡献，以及碳链长度（Cn）、氢原子数（Hn）和碳氧比（CO）对循环寿命的影响。
在团簇尺度上，提出了配位数规则及其调控机制，揭示了配体配位数为2/3/4且原子配位数为5的四方锥形溶剂化结构更易发生去溶剂化和阴离子还原，从而促进阴离子衍生的SEI形成。在体相尺度上，明确了扩散系数作为离子迁移的关键动力学描述符，其区域特性由介电常数和溶剂性质决定。最终，通过机器学习结果构建了智能电解质筛选流程，并在六种电解质配方中验证了其有效性。
图2. 电解质筛选过程
Data−driven Design of Advanced Magnesium−Battery Electrolyte via Dynamic Solvation Models, Energy & Environmental Science 2025 DOI: 10.1039/d5ee01304f
左志军，博士，教授，博士生导师，太原理工大学煤科学与技术省部共建国家重点实验室培育基地副主任。2011年太原理工大学化学工程与技术博士研究生毕业，同年留校任教；2012年7月破格副教授；2015年6月~2016年6月在美国布鲁克黑文国家实验室化学系学习；2016年12月破格教授。在本学科权威期刊Science, J. Am. Chem. Soc., ACS Catal.等发表论文100余篇，获得山西省二等奖3项，授权发明专利6项。出版《X光电子能谱及其应用》规划教材一部，担任《低碳化学与化工》青年编委。山西省高等学校优秀青年学术带头人，山西省优秀青年基金获得者，“山西省三晋英才”青年优秀人才和煤层气中甲烷分离及转化山西省科技创新人才团队（青年）带头人。
杨晓伟，特聘教授，国家杰青获得者、上海市曙光学者，院学术委员会委员。中国化工学会储能工程专委会副主任委员、中国有色金属学会新能源材料工作委员会副主任。2011年获得上海交通大学应用化学专业博士学位，2009-2014年在澳大利亚Monash大学先后任研究助理和博士后研究员。2014年任同济大学材料科学与工程学院特聘研究员，2020年开始任上海交通大学化学化工学院研究员、特聘教授（2023）。曾先后承担国家杰出青年科学基金、科技部青年973计划、国家基金委面上/青年基金资助。在Science、Adv Mater、Angew Chem Int Ed等高水平期刊发表100多篇学术论文，最高单篇他引1600余次。
赵婉玉，于2018年获得中南大学本科学位，之后在同济大学杨晓伟教授的指导下攻读博士学位。她的研究兴趣集中在镁和钠电池的金属负极。