电池电解液并非单一化学物质，而是由盐类、溶剂和添加剂组成的复杂混合物，各组分间相互作用并发生反应。人工智能在筛选理想材料方面已取得显著进展，但芝加哥大学普里茨克分子工程学院（Pritzker School of Molecular Engineering）的研究团队正利用AI生成完整的配方，平衡电解液中复杂的权衡关系与相互作用。该研究发表于《JACS Au》期刊，是阿曼丘库实验室（Amanchukwu Lab）持续开发电池专用AI的下一步成果，该模型被昵称为“ElectrolyteGPT”。
“下一代电池电解液必须满足多种往往相互冲突的性能要求，”论文第一作者金宰民（Jaemin Kim）表示，“凭借在不同条件下生成输出的能力，ElectrolyteGPT能够生成满足所需特性的新型候选配方。”该AI不仅设定成分，还确定浓度、混合比例及其他混合细节，从而在电导率、稳定性和粘度等方面达到研究人员设定的目标。合成AI推荐的配方发现了几种新型组成，其在锂金属电池中的表现与电解液相当。这是实现长期目标——寻找优于当前性能电解液的重要一步。
探索广阔的化学空间是巨大挑战。许多人估计电池电解液的潜在分子数量高达10的60次方，比天空中的星星还多。逐一探索这些分子以寻找电池组件、癌症药物或其他此前未设想的材料，显然超出了人类寿命的限制。这仅仅是分子本身，尚未包括将它们以不同配方组合的无限可能方式。“探索整个近乎无限的电解液空间不可行，但生成式AI可以导航化学中‘未测绘’的区域，并生成从未合成过的分子，”金宰民指出。
AI以人类研究人员无法匹配的速度生成理论分子，基于训练数据“思考”哪些分子适合特定用途。随后，人们像测试研究人员建议的材料一样在实验室测试AI发现的这些材料。AI常用于药物发现，这为阿曼丘库团队带来了早期障碍。大多数现有的GPT模型是为寻找良好的药物分子而创建的，而非用于电池。“如果你使用文献中可用的内容，它会生成类似药物的分子，这对我们来说不相关，”阿曼丘库说，“我们整理了一个包含电解液相关化合物的数据集，使GPT模型只了解电解液。如果你说‘生成新的溶剂分子’，它会生成看起来像电解液的化合物。”
他们必须训练AI仅生成符合特定参数的电解液材料。训练AI创建低性能电池没有意义，他们设定了离子电导率、氧化稳定性、库仑效率和粘度的标准。到目前为止，这已成为AI用于材料发现的领域中的既定实践。这项新研究的创新之处在于发明了一种称为fLine的新行标记法。
行标记法是一种用计算机能理解的语言描述复杂化学结构的方法。例如，将氯化钠称为“盐”对人有意义，但机器会被世界上其他可能的盐类搞糊涂。在最常见的化学语言SMILES中，氯化钠表示为[Na+].[Cl-]，几击键即可传递大量信息。基于SMILES，fLine是团队开发的一种新语言，不仅描述结构，还包括溶剂比例、盐浓度、温度等混合物的其他移动部分的标记。它也可以适应包括电流密度和容量等变量，以及SMILES之外的其他化学语言。
这使得AI能够理解整个电解液，而不仅仅是其中的化学成分。“这不仅对电解液有用，对一般混合物也有用，”阿曼丘库说，“现在你可以实际生成完整的电解液配方，包含多种不同的盐、不同浓度的多种溶剂以及不同的混合比例。”阿曼丘库表示，这是迈向最终目标——真正的生成式电解液AI的重要一步。“目前，数据有限且运行的参数有限，我们实际上可以生成我们在实验中使用的组成。我们可以在现实世界中验证AI的理论建议，”他说，“我们有兴趣看看是否能使这些模型更大更好。”