山西煤化所提出基于機器學習的電解液還原電位預測新方法
就像人體需要穩定的血液環境，電解液的穩定性對電化學儲能器件的正常運行至關重要。然而，炭材料負極表面微量的金屬雜質原子和空位等缺陷就像一個個“活躍分子”，導致電解液在工作電壓區間內發生不可逆的還原分解反應，嚴重縮短了器件的循環壽命。但由于炭材料內部的金屬雜質原子多以痕量存在，用傳統實驗方法對電解液溶劑的實際還原電位進行表征非常困難。
近日，中國科學院山西煤炭化學研究所709團隊在電化學反應電位預測領域取得進展，以《Predicting practical reduction potential of electrolyte solvents via computational hydrogen electrode and interpretable machine-learning models》為題發表在Springer Nature旗下npj Computational Materials期刊上。該論文創新性地將計算氫電極（CHE）模型和數據驅動的科研范式相結合，建立了預測電解液溶劑還原電位的新方法。
數據驅動的電解液還原分解電位預測
研究團隊采用前期開發的推廣CHE模型計算電解液還原分解電位，利用得到的12種常見電解液溶劑在32種金屬雜質原子和空位表面的384個還原電位數據構建反應電位數據庫。隨后通過特征工程保留了11個最佳特征，以還原電位數據庫劃分為訓練集和測試集，將隨機森林、支持向量機、梯度提升、XGboost等機器學習算法進行模型訓練和參數優化，發現基于XGboost算法的機器學習模型具有最高的預測精度和最低的過擬合程度。進而采用SHAP算法對模型進行可解釋性分析，發現電解液溶劑的熱容、蒸氣壓和偶極矩等性質對還原電位有較大影響。
數據驅動的電解液溶劑還原電位預測工作流示意圖
特征工程和機器學習回歸模型訓練結果
實驗驗證與計算解析
在優化篩選機器學習模型的基礎上，采用訓練集和測試集以外的6種電解液溶劑作為驗證集，實際測量了其在含鋰和鈉離子的炭材料負極中的還原電位。實驗結果表明機器學習模型具有很好的泛化能力，驗證集中電解液溶劑的還原電位與其遵循同樣的相關性規律。同時采用第一性原理計算探討溶劑還原電位差異，發現由于金屬原子的電子結構差異，電解液溶劑還原反應中間體可與其產生不同類型的相互作用，影響了還原反應自由能，從而導致溶劑還原電位的差異。
溶劑還原反應中間體與炭材料表面相互作用的電子結構分析
通過以上過程，本文借助數據驅動的科研范式，建立了電化學儲能體系中電解液溶劑還原電位預測的機器學習工作流，為高性能電化學儲能器件和新型電解液設計提供了理論指導。
（709課題組）
附件下載：
