锂金属电池（LMBs）由于其超高理论容量（mAhg–1）的锂金属阳极而成为有希望的能源储存装置，突破了当前锂离子电池（LIBs）的限制。

然而，包括酯基电解质在内的大多数电解质对高反应活性和低电位的锂金属阳极不稳定，这严重阻碍了LMBs的实际应用。为了克服该挑战并发挥LMBs的全部潜力，提出新的电解质设计策略并探索新的溶剂分子以建立电解质和阳极之间的稳定界面至关重要。

由于计算机科学的快速发展，机器学习（ML）方法越来越方便地从许多溶剂分子中提取知识。特别是，可解释的ML的发展使得研究范式从纯粹的数据驱动转变为具有强大可解释性的知识发现。

一种典型的可解释算法Shapley加法解释（SHAP）利用博弈论来增强对ML预测中每个变量相对重要性的分析。通过利用ML和可解释性分析，可以探索离子-溶剂复合物的稳定性与固有分子性质和结构特征之间的关系，从而为电解质设计提供有价值的见解。

成果简介

近日，清华大学张强课题组陈翔老师等人提出了一种基于第一性原理计算和ML模型结合的数据驱动方法，以探索众多锂电池电解质溶剂还原稳定性的起源。

图论算法被应用于生成一个庞大的溶剂分子数据库，并进一步通过基于离子-溶剂复合物模型的密度泛函理论（DFT）计算进行全面研究。观察到最高占据分子轨道（HOMO）和最低未占据分子轨道（LUMO）能级的降低与结合能之间存在正比且近似线性的关系。

此外，根据SHAP可解释的ML分析，偶极矩（μ）和分子半径（R）被确定为影响配位溶剂分子还原稳定性最重要的描述符。这项工作深入探讨了离子-溶剂复合物稳定性变化的起源和规律，为快速筛选溶剂和加速设计先进锂离子电池电解质铺平了道路。

相关工作以《Data-DrivenInsightintotheReductiveStabilityofIon–SolventComplexesinLithiumBatteryElectrolytes》为题在《JournaloftheAmericanChemicalSociety》上发表论文。

图文导读

图1.生成可视化溶剂分子数据库

溶剂在确定电解质稳定性和电池循环寿命方面起着关键作用，新溶剂分子的出现展示了提高电池性能的巨大潜力。为了促进溶剂的全面分析，构建一个大型溶剂分子数据库是必不可少的。

本文提出了一种基于图的算法用于构建数据库：溶剂分子被视为图，原子（碳和氧）作为顶点，化学键（单键和双键）作为边。由于醚类和羰基化合物广泛用作电解质溶剂，基于图的算法从两种基础分子（甲醛和二甲醚）开始生成分子，并逐步添加顶点和边以生成潜在的溶剂分子，直到分子包含九个重原子（包括碳和氧原子）。

此外，由于含有活性氢原子（即醇类和酸）的分子与锂金属阳极反应性强，因此在生成过程中排除了这些分子。最后，该数据库共包含个溶剂分子，其中44.9%为羰基化合物，55.1%为醚类化合物。所有溶剂分子的负形成能表明生成的溶剂分子的合理性。

图2.HOMO和LUMO能级变化与结合能以及Li-O键长之间的相关性

图3.离子-溶剂复合物的LUMO能级预测

图4.可解释的机器学习方法用于预测离子-溶剂复合物的LUMO能级

离子-溶剂复合物理论和可解释的机器学习在电解质溶剂分子中的应用对于理解影响电解质还原稳定性的因素并设计先进电解质分子具有重要意义。

首先，基于图论的分子生成算法已经开发出来，用于根据特定规则构建完整的电解质溶剂分子数据库。其完整性和可移植性指导了不同场景下分子数据库的发展。

其次，离子-溶剂复合物模型在广泛的分子空间中展示出优秀的适用性，在与Li离子相互作用后，99%的分子都能提供降低的LUMO能量。此外，LUMO能量水平的变化与结合能、键长以及LUMO中碳2p轨道的比例之间存在良好的相关性。

第三，可解释的机器学习的应用揭示了离子-溶剂复合物的LUMO能量水平与溶剂分子特征之间的内在联系。

总之，本工作通过数据驱动的方法探索了离子-溶剂复合物的还原稳定性，揭示了影响电解质还原稳定性的主要因素，为合理设计先进的电解质分子提供了重要的理论参考。

文献信息

Yu-ChenGao,NanYao,XiangChen*,LegengYu,RuiZhang,andQiangZhang,Data-DrivenInsightintotheReductiveStabilityofIon–SolventComplexesinLithiumBatteryElectrolytes.JournaloftheAmericanChemicalSociety.