无负极钠金属电池（AFSMB）因其能量密度优势和简化的制造流程而备受关注，但其电解液的开发长期依赖经验筛选和试错，缺乏数据驱动的理性设计方法。相较于其他领域丰富的数据资源，该领域的实验数据存在稀缺性，小样本条件下机器学习模型的过拟合和可解释性难题制约着数据驱动的知识发现在AFSMB电解液领域的应用。针对该问题，大连理工大学胡方圆教授提出了融合无监督学习、监督学习与化学知识的混合特征选择策略，构建了适用于AFSMB的定量化电解液设计准则。基于该准则制备的新型电解液，构筑Ah级软包电池的能量密度为230 Wh kg-1，为机器学习驱动的实用化电解液分子设计提供了新思路。该工作发表在Journal of the American Chemical Society上，论文第一作者为大连理工大学材料学院博士研究生苏畅，通讯作者为胡方圆教授。
图1. 可解释机器学习驱动的知识发现工作流及模型解释
研究团队从文献中收集了88种电解液体系，结合RDKit和
DFT计算生成34个分子特征。通过PCA降维、递归特征消除和化学知识约束的多层筛选，最终确立了以阴离子氧原子数（aO）、溶剂氧原子数（sO）和溶剂分子非极性表面积（NonSA）组成的三特征模型。这一模型在保证预测精度的同时实现了最大化可解释性，其外推能力通过留一法交叉验证和外部电解液库测试得到了充分验证。SHAP分析和偏依赖图表明sO<22、NonSA>90是高性能电解液的关键分子特征。
图2. 基于机器学习设计规则的实验验证与性能对比
依据模型提供的设计规律，选择无氧原子的NaPF6为单一盐，以常用醚类溶剂G2为基准，通过延长分子碳链设计了非对称醚DGBME。与G2相比，DGBME的NonSA大幅提升、sO有效降低。在Na-Cu电池测试中，DGBME在800
次循环中实现了99.9%的平均库伦效率且保持稳定，而G2约300次后即失效。定量对比测试一致证实了设计准则的有效性，将NaPF6替换为含氧阴离子后性能明显下降，验证了aO特征的重要性。死钠定量分析显示，DGBME显著减少了不可逆死钠生成，界面性能得到改善。
图3. NonSA调控溶剂化结构的理论与实验分析
为揭示NonSA的作用机制，进行了系统性的溶剂化结构分析。DFT计算表明，G2因分子对称性可与Na+形成稳定的螯合结构，而DGBME的碳链延长显著降低了构象自由度，削弱了Na+-溶剂间的强配位作用，使去溶剂化更易进行。分子动力学模拟、核磁共振、拉曼光谱和SAXS等表征一致表明：DGBME促进更多PF6
-阴离子进入Na+的第一溶剂化层，形成了阴离子主导的溶剂化结构，溶剂化团簇尺寸更大。结果表明，通过调控NonSA增强溶剂空间位阻，可将溶剂化结构从溶剂分离离子对（SSIP）转为离子聚集体（AGG）和接触离子对（CIP），从而改变界面反应路径。
图4. SEI的结构与化学组成表征
图5. SEI/CEI的显微结构表征
界面化学分析进一步揭示了溶剂化结构调控对SEI和CEI的影响。ToF-SIMS深度分析和XPS谱学表征表明，DGBME能有效抑制SEI中有机层的生长，诱导形成以NaF和Na2CO3为主的
薄而致密的无机主导界面，而G2体系中SEI则含有大量有机氟化物物种且厚度显著更大。冷冻透射电镜直观呈现了DGBME中均匀的钠沉积形貌和有序的SEI结构，球差校正HAADF-STEM证实循环后正极晶格结构依然完好。Na对称电池测试中，DGBME的稳定运行时间远超G2，说明其构筑的SEI具有更优的界面稳定性和可逆性。阴离子主导的溶剂化结构促进PF6-在界面优先分解形成NaF，是实现高库伦效率的关键。
图6. 钠金属电池与无负极钠电池电化学性能综合评估
电化学性能评估中，DGBME在宽倍率范围内均展现出远优于G2的倍率性能和循环稳定性。低负载长循环测试中，Na/DGBME/NVP电池稳定循环3400次后容量保持率依然出色。中等负载和高负载测试中，DGBME保持稳定的容量输出和低极化电压，而G2则出现明显的容量衰减和极化增大。在NFM
正极体系中，DGBME同样维持稳定的长循环性能，G2则快速失效。在具有实用价值的无负极构型中，DGBME支撑Al/C-NVP纽扣电池和1 Ah级软包电池分别实现稳定的长循环和优异的能量密度，其中NFM无负极软包电池的能量密度为230 Wh kg-1。
图7. 高通量计算驱动的深度特征分析
为评估设计规律的普适性，从PubChem数据库大规模筛选后构建了包含数万种含氧分子的虚拟电解液分子空间，利用聚类算法筛选其中代表性的500个分子进行高通量计算。PCA载荷图分析显示，NonSA具有独特的数学正交性和物理化学意义，与传统极性描述符存在本质区别。此外，通过DME向DEE延长烷基链的实验验证，进一步强化了NonSA对提升库伦效率的重要意义，证明该规律不仅适用于G2体系，在更广泛的醚类溶剂中同样成立。相关机器学习框架和数据集均已在GitHub开源。
该研究建立了从数据采集、特征工程到模型解释的完整知识发现工作流，在稀缺数据条件下成功提取了控制钠沉积可逆性的定量化分子设计规律，并揭示了溶剂化结构与界面性能之间的构效关系。这一“机器学习设计—溶剂结构优化—界面化学调控—电池性能提升”研究路线，为人工智能辅助电解液理性设计提供了可推广的方法论。
原文（扫描或长按二维码，识别后直达原文页面
）：
Data-Driven Knowledge Discovery Reveals Quantitative Electrolyte Design Rules for Anode-Free Sodium Metal Batteries
Chang Su, Xin Jin, Keyu Chen, Mengfan Pei, Naiwen Hu, Keju Chen, Yunpeng Qu, Jianhua Han, Xigao Jian, Fangyuan Hu*
J. Am. Chem. Soc., 2026, DOI: 10.1021/jacs.6c05130
研究团队介绍
胡方圆：教授/博导，英国皇家化学会会士，从事锂/钠电池用新型高性能聚合物基电化学关键材料可控制备，及其器件在极端环境宽温服役应用基础研究。主持首批教育部中央高校青年教师科研创新能力支持项目、国家优青、重点研发计划子课题等，现任大连理工大学材料学院副院长（分管研究生教学、学科建设工作）。担任中国材料研究学会高分子材料分会副秘书长、辽宁省青年科技工作者协会发起人等；担任Int. J. Extreme Manuf.（IF: 25.1）副主编，InfoMat、SusMat、Carbon Energy等期刊编委/青年编委。在Natl. Sci. Rev.、J. Am. Chem. Soc.(2)、Adv. Mater.(5)
、Angew. Chem. Int. Ed.(4)、Nat. Commun.、Energy Environ. Sci.等发表学术论文120余篇，授权国际/国内发明专利20余项。主编教育部规划教材1部（化学工业出版社）。获中国首届"新时代青年先锋奖"、大连市自然科学奖一等奖（排1）、中国材料研究学会高分子材料与工程青年科技奖、辽宁青年科技奖、辽宁省"兴辽英才计划"、大连市杰青等学术荣誉。获辽宁省高校优秀党务工作者称号，并作为优秀教师代表，受邀参加教育部"教育家精神2026年巡回宣讲"。
https://www.x-mol.com/university/faculty/386613
点击“阅读原文”，查看 化学 • 材料 领域
所有收录期刊
