摘要：水系锌离子电池(AZIBs)在大规模储能方面具有电化学性能优良、安全性高和价格低廉等优点，而具有良好的发展前景。然而，枝晶的不可控生长及寄生副反应的发生导致锌金属负极的稳定性较差，影响了AZIBs的规模化应用。目前，电解液添加剂工程是解决上述问题的重要手段。然

研究背景

水系锌离子电池(AZIBs)在大规模储能方面具有电化学性能优良、安全性高和价格低廉等优点，而具有良好的发展前景。然而，枝晶的不可控生长及寄生副反应的发生导致锌金属负极的稳定性较差，影响了AZIBs的规模化应用。目前，电解液添加剂工程是解决上述问题的重要手段。然而，模糊的添加剂筛选标准和繁琐的实验过程限制电解液添加剂策略的大规模应用。随着人工智能(AI)的兴起，将机器学习技术引导到电解液添加剂筛选，并结合实验和理论计算手段揭示了添加剂强化锌负极热力学稳定性的调控机制具有良好的前景。

研究内容

有鉴于此，重庆大学郑玉杰、李猛教授课题组基于AI技术实现了加速电解液添加剂在构筑无枝晶AZIBs中的开发效率。具体地，首先选取古特曼供体数(DN value)为筛选参数，并建立了一种通过简化分子线性输入规范(SMILES)预测有机分子DN值的ML模型，实现了对电解液添加剂的高效筛选。然后，结合实验和理论计算等手段，系统地揭示了具有不同DN值添加剂分子对锌负极热力学稳定性的影响规律及相应的优化机制。其成果以“Machine Learning-Assisted High-Donor Number Electrolyte Additive Screening toward Construction of Dendrite-Free Aqueous Zinc-Ion Batteries”为题，发表在国际知名期刊ACS Nano上，论文的第一作者为重庆大学硕士研究生罗号燃和重庆大学博士研究生苟倩志(现为西安建筑科技大学建科学院储能科学与工程系青年教师)。

研究亮点

⭐ 开发了一种能够快速预测有机分子DN值的机器学习模型，并通过预测DN值的机器学习模型与预测计算性质的深度学习模型融合，得到了能够仅通过SMILES输入即可实现了对有机分子DN值的快速、准确预测。

⭐通过实验验证与DFT理论计算、MD和有限元模拟结合，系统地揭示了具有不同DN值添加剂的分子对提升锌负极性能的影响规律和作用机制，在一定范围内添加剂DN值越高，其提升锌金属负极的电化学性能越明显。

⭐得益于AI辅助添加剂精确筛选的策略，不同的锌基电池在含高DN值异丙醇(IPA)添加剂的电解液中，均展现出良好的循环寿命和充放电可逆性。

图1. 有机分子DN值的AI预测及分子特性预测

图2. 具有不同DN值的添加剂对水合离子溶剂化结构的影响规律

图3. 具有高DN值IPA添加剂对锌锰全电池电化学性能的影响规律

文献结论

H. Luo#, Q. Gou#, Y. Zheng*, K. Wang, R. Yuan, S. Zhang, W. Fang, Z. Luogu, Y. Hu, H. Mei, B. Song, K. Sun, J. Wang, M. Li*, Machine Learning-Assisted High-Donor-Number Electrolyte Additive Screening toward Construction of Dendrite-Free Aqueous Zinc-Ion Batteries, ACS Nano, 2025, DOI: 10.1021/acsnano.4c13312.

来源：裴裴科技智慧