近日，我院程俊教授课题组基于主动学习策略与随机电解液生成器，构建了面向电池电解液的通用机器学习势函数，在电解液性质预测与微观机理研究方面取得重要进展。相关研究成果以“Domain Oriented Universal Machine Learning Potential Enables Fast Exploration of Chemical Space of Battery Electrolytes”为题发表在Nature Communications 上。
锂离子电池的性能（如能量密度、快充能力及宽温域运行）在很大程度上取决于电解液的性质。然而，电解液配方繁多，化学空间巨大，且传统的经典分子动力学模拟受限于力场精度，从头算分子动力学模拟又受限于高昂的计算成本。针对这一挑战，本工作利用随机电解液生成器和基于ai2-kit的并发学习工作流，构建了覆盖超2300种溶剂和20种锂盐的通用机器学习势函数（uMLP）。该势函数不仅具有从头算的精度，还能实现纳秒级的长时分子动力学模拟，有效克服了传统方法的局限。
本工作利用该通用势函数系统地计算了多种电解液的密度、粘度、离子电导率及工作温域，计算结果与实验数据高度吻合。更重要的是，该工作通过配位动力学分析，提出了以配位寿命作为定量描述溶剂化强度的指标。研究发现，较短的配位寿命直接对应于“弱溶剂化”结构，有利于离子的快速传输。这一发现不仅揭示了微观溶剂化结构与宏观电化学性能之间的内在联系，也为设计高性能的电解液提供了理论指导。
该工作在程俊教授指导下完成。我院王锋博士和博士生唐煜航为共同第一作者，博士生马泽冰、金昱丞参与了该项工作。该论文得到了国家自然科学基金（22225302、92470201、92461312、22021001、21991151、21991150、92161113、22411560277、22393901、22503037）、中央高校基本科研业务费（20720250005、20720220009、20720230090）以及嘉庚创新实验室和人工智能应用电化学联合实验室（RD2023100101、RD2022070501）的资助。
近年来，程俊教授课题组致力于将机器学习方法应用于能源材料的模拟与设计。本工作进一步展示了通用机器学习势函数在复杂液态体系中的应用潜力。本工作相关的数据集和势函数模型已在AI4EC仓库开源（https://doi.org/10.12463/AI4EC/QZCYP1），并在op-elyte emulator (https://ai4ec.ac.cn/apps/op-elyte-emulator) 提供在线试用。
文章链接：https://www.nature.com/articles/s41467-025-67982-0
