AI辅助电解液设计!新加坡国立大学宋子由&北京理工大学杨晓光,最新Joule!

电动垂直起降飞行器（eVTOL）对锂离子电池的倍率性能提出了严苛要求，起飞和着陆悬停阶段需要持续高功率放电。电解液设计是提升电池倍率性能的关键途径，然而电解液组分空间极为庞大，涵盖不同溶剂、锂盐、添加剂的种类与浓度组合。传统试错法与纯数据驱动方法难以高效探索这一高维空间，且缺乏可解释性，严重制约了高性能电解液的开发进程。

2026年7月31日，新加坡国立大学宋子由、北京理工大学杨晓光教授在《Joule》上发表题为“Efficient battery electrolyte design for electric aircraft driven by physics-augmented AI”的研究论文，提出了物理增强AI设计框架，通过知识感知小样本学习模型AMPERE实现电解液性质的高效预测，并将其嵌入电解液设计过程，显著提升了设计效率与可解释性。

AMPERE模型整合了主动学习、多任务学习和Newman浓溶液理论，同步预测离子电导率和扩散系数。该模型在186组实验数据（含100组电导率和86组扩散系数）上验证，预测误差低于10%，且比传统技术少用45%的训练数据。主动学习策略基于无监督多样性采样，有效提升了训练数据的信息量。多任务学习通过共享网络提取四个潜在参数（两个共享参数D₊₀和D₋₀，以及两个任务专属参数D₊和a₊），再将Newman浓溶液理论作为硬物理约束嵌入预测过程，显著提升了模型的泛化能力与数据利用效率。

基于AMPERE的性质预测，物理增强设计框架以低维性质表征（归一化离子电导率、归一化扩散系数及初始锂离子浓度）替代高维组分表征，实现了目标函数的准确建模。44种电解液在NCM811/石墨软包电池中的倍率性能测试表明，最优电解液为1600 mol m⁻³ EC:DMC:EA=3:3:4+2% VC。相比标准贝叶斯优化，该框架将最优电解液的发现速度提升约4倍，节省超过70%的配方与表征资源。相关性分析显示，扩散系数和初始锂离子浓度与电池倍率性能之间呈现强正相关，而离子电导率的相关系数显著较低，揭示了多性质协同而非电导率单一指标主导倍率性能的设计原则。

1、提出了知识感知小样本学习模型AMPERE，整合主动学习、多任务学习与Newman浓溶液理论，在有限实验数据下实现离子电导率与扩散系数的高精度联合预测。

2、建立物理增强电解液设计框架，以低维性质表征替代高维组分表征，将最优电解液发现速度提升约4倍，节省超过70%的资源消耗。

3、揭示扩散系数与初始锂离子浓度的协同作用对倍率性能的主导影响，颠覆了传统以离子电导率为唯一设计目标的电解液开发范式。

图1 AMPERE模型结合主动学习与知识感知多任务学习的架构示意

图2 AMPERE模型在离子电导率与扩散系数预测中的准确性与数据效率

图3 物理增强设计框架以性质预测替代组分表征以实现目标函数建模

图4 物理增强框架与贝叶斯优化在目标函数建模原理上的差异

图5 物理增强框架在44种电解液中加速发现最优配方的设计结果

图6 最优电解液在eVTOL工况下的倍率性能验证

本研究通过构建物理增强AI设计框架，解决了高维电解液组分空间的高效探索难题。AMPERE模型以低于10%的预测误差和45%的数据效率优势，实现了离子电导率与扩散系数的同步精准预测。设计框架以性质表征替代组分表征，将最优电解液发现速度提升约4倍，节省了超过70%的实验资源。更重要的是，相关性分析表明，扩散系数与初始锂离子浓度对倍率性能的贡献大于离子电导率，这一发现修正了长期以电导率作为唯一设计目标的认知。该框架为电解液的高效、可解释设计提供了通用范式，也为eVTOL等极端工况下的电池材料开发提供了方法论支撑。

文献链接：https://doi.org/10.1016/j.joule.2026.102601

文章来源：新能源前沿