面对全球气候变化与能源转型的紧迫挑战，高性能储能技术的突破成为实现可持续发展目标的重要途径。电池作为关键的储能器件，其性能优化依赖于精准的分子工程。然而，传统分子设计手段往往依赖于成本高昂、周期冗长的实验筛选，亟需新的方法加速创新进程。随着人工智能（AI）技术的发展，其在电池分子设计中的融合应用展现出巨大潜力。

人工智能在构建电池分子的构效关系中发挥关键作用。依托数据驱动模型，人工智能能够高效预测电解液与有机电极分子的多项关键性质，包括氧化还原电位，反映分子间相互作用的介电常数与供体数，主导离子传输行为的黏度与离子导率，以及熔点、沸点、闪点等基础物理化学性质。随着人工智能的进步，分子设计范式正由经验式试错转向数据驱动与知识引导的综合策略。首先，引入可解释模型以实现知识发现并指导理性设计。随后，采用高通量虚拟筛选高效遍历化学空间。再次，以定向分子生成直接构建具备目标性能的候选结构。最后，整合主动学习与自主化实验平台，形成全自动闭环式实验流程，从而显著加速电池高性能分子的发现与优化。

AI赋能分子发现、加速电池创新论文封面

前期，清华大学化工系张强、陈翔等面向能源存储和利用的重大需求，重点研究锂电池的化学原理、关键能源材料与关键技术，提出并发展了离子-溶剂化学等原创理论，构建了全球领先的电解液数据库，开发了电解液设计AI方法与化学机器人实验平台，并面向快充、宽温域等场景需求设计了新型电解液，为高效电解液研发提供了重要基础。

近日，张强、陈翔以“AI赋能分子发现，加速电池创新”（Accelerating battery innovation: AI-powered molecular discovery）为题，在《化学会评论》（Chemical Society Reviews）撰写综述文章，系统性地阐述了AI技术在下一代电池系统分子设计中的应用进展与前沿挑战。该综述总结了分子表示方法，以及机器学习、深度学习、新兴的大语言模型等多种AI算法，梳理了AI在关键分子性质（如氧化还原电位、黏度、介电常数等）精准预测中的显著优势，进一步探讨了AI在化学知识挖掘、高通量虚拟筛选、分子定向生成和自动化实验等领域的创新应用，指出了通过数据、算法、算力和实验平台的深度融合，将极大加速电池技术的创新与发展，为构建可持续的能源未来提供重要支撑。

清华大学化工系2022级博士生高宇辰为该综述文章的第一作者，清华大学化工系教授张强和副研究员陈翔为该综述文章的通讯作者。研究工作得到国家自然科学基金、北京市自然科学基金、清华大学自主科研计划等的支持。

论文连接：

https://pubs.rsc.org/en/content/articlelanding/2025/cs/d5cs00053j