第一作者：王锋、唐煜航
通讯作者：程俊
通讯单位：厦门大学
锂离子电池的性能高度依赖电解液，但巨大的化学空间使得通过实验逐一筛选配方成本高昂。传统计算模拟方法在精度与效率上存在固有矛盾。针对此挑战，厦门大学程俊教授课题组发展了一种面向电解液领域的通用机器学习势函数，实现了对广阔化学空间的高效、精准探索。相关成果发表于Nature Communications。
研究采用迭代训练方法，在随机生成的电解液成分数据集上构建了通用的机器学习势函数。该势函数具备优秀的可迁移性，能够对包含多种溶剂和锂盐的体系进行接近从头算精度的分子动力学模拟，从而高效预测离子电导率等关键性质。
图1. 电解液通用势函数
研究进一步通过锂离子的配位动力学分析，创新性地提出以“配位寿命”作为量化溶剂化强度的微观指标。分析表明，较短的配位寿命直接对应于较弱的溶剂化作用和更快的离子传输，为设计高性能“弱溶剂化”电解液提供了清晰的理论指导。
该工作将计算方法、数据科学和电池化学深度融合，不仅提供了强大的计算工具，其开源的数据集、势函数模型及在线试用平台，也将极大推动该领域的研究共享与协作。
原文（扫描或长按二维码，识别后直达原文页面）：
Domain oriented universal machine learning potential enables fast exploration of chemical space of battery electrolytes
Feng Wang, Yu-Hang Tang, Ze-Bing Ma, Yu-Cheng Jin & Jun Cheng
Nat. Commun., 2025, DOI: 10.1038/s41467-025-67982-0
研究团队介绍
程俊教授团队隶属于厦门大学化学化工学院，嘉庚创新实验室 AI4EC Lab。
更多信息可访问：
https://www.cheng-group.net
论文链接：
https://www.nature.com/articles/s41467-025-67982-0
开源数据与模型：
https://doi.org/10.12463/AI4EC/QZCYP1
在线试用工具：
https://ai4ec.ac.cn/apps/op-elyte-emulator
点击“阅读原文”，查看 化学 • 材料 领域所有收录期刊
