电动汽车电池迎来能量“补药”：长效电池的化学“处方”

预测模型成功精准评估125种新型添加剂组合性能。

阿贡国家实验室的科学家们运用机器学习模型，为电池识别出新型化学"药物"。通过在小规模数据集上训练模型，研究团队预测出能提升高压电池技术性能的有效化学组合。研究人员在新闻稿中表示："通过机器学习找到正确的'处方'，可确保电池保持最佳状态，为开发更高效、更耐用的能源解决方案铺平道路。"

在初始28种添加剂数据集上完成模型训练后，研究人员成功预测了125种新组合的性能。这种方法使他们避免了原本需要耗时4-6个月的实验过程。阿贡计算科学家Hieu Doan指出："传统观念认为训练机器学习模型需要海量数据，但我们的工作证明，无需大量数据也能训练出精准预测模型，关键在于选用优质数据集。"

分解反应的核心挑战

该研究聚焦于LNMO电池（锂镍锰氧化物电池）。这类电池具有更高能量密度且无需使用供应链受限的钴材料。但LNMO电池的工作电压接近5伏，超出了大多数电解液的稳定极限。新闻稿解释道："手机电池和单体电动汽车电芯通常工作在4伏左右低电压，而5伏的LNMO电池远超所有已知电解液的稳定极限。"

芝加哥大学资深科学家、阿贡化学家陈辽（音译）补充道："这种高压状态使电解液和正极处于高能不稳定状态，极易引发分解反应。"

电解液添加剂的创新应用

为解决这一难题，科学家采用电解液添加剂。高效添加剂在电池初始循环期间分解，在电极表面形成稳定界面层。该保护层不仅能降低电阻，还能减缓性能衰减，从而全面提升电池表现。

传统方法从数百种候选物质中筛选合适添加剂的过程极其耗时。阿贡团队开发的机器学习模型建立了添加剂化学结构与电池性能影响的关联模型。Doan将这个过程类比为基于观察的推理："如何准确描述这些分子特征，使其能作为预测性能的描述符？"

通过精选的28种添加剂训练，系统学会了识别与特定电池指标（如电阻和能量容量）相关的分子特征，进而对125种新候选物进行筛选，发现了多种性能优于初始数据集的添加剂。这种机器学习与实验科学结合的方法，为材料发现领域开辟了新路径。

如果朋友们喜欢，敬请关注“知新了了”！