编辑 | 紫罗

传统的材料研发模式主要依赖「试错」的实验方法或偶然性的发现，其研发过程一般长达 10-20 年。

基于机器学习（ML）的数据驱动方法可以加速清洁能源技术新材料的设计。然而，由于缺乏大型高保真实验数据库，其在材料研究中的实际应用仍然受到限制。

近日，美国西北太平洋国家实验室和阿贡国家实验室的研究团队，设计了一个高度自动化的工作流程，将高通量实验平台与最先进的主动学习算法相结合，可以有效筛选对阳极电解质具有最佳溶解度的二元有机溶剂。 这一研究的目标是提高能源存储系统的性能和稳定性，从而推动可再生能源的广泛应用。传统上，涉及到阳极电解质的研究通常需要大量的试错实验，耗时费力。而使用这一自动化工作流程，研究人员可以更快速地筛选出合适的二元

除了设计用于开发高性能氧化还原液流电池的高效工作流程之外，该机器学习引导的高通量机器人平台为加速发现功能材料提供了一种强大而通用的方法。

审稿人点评道：“该研究表明，AI引导的机器人平台可以有效地寻找能源应用中溶剂电解质的非直观组合。这项工作对电池界具有重要意义。”

该研究以《An integrated high-throughput robotic platform and active learning approach for accelerated discovery of optimal electrolyte formulations》为题，于 2024 年 3 月 29 日发布在《Nature Communications》上。

论文链接：https://www.nature.com/articles/s41467-024-47070-5

为了确保开发清洁能源技术应用和实现电力深度脱碳至关重要，因此设计工具的目标功能特性的材料对于开发清洁能源技术应用和实现电力深度脱碳至关重要。传统的试错方法成本高昂且耗时，因此设计工具的本质高昂且可节省时间。

氧化还原活性分子的溶解度是决定氧化还原液流电池（RFB）能量密度的重要因素。然而，电解质材料发现的受到实验溶解度数据集缺乏的限制，而这些数据集对于利用数据驱动的方法至关重要。

尽管如此，由于缺乏有机溶剂系统的标准化和与应用相关的实验溶解度数据，为非水性 RFB (NRFB) 开发高度可溶的氧化还原活性有机分子（ROM）仍是一项艰巨的任务。

通过利用自动化高通量实验（HTE）平台，可以提高「过量溶质」溶解度测量方法的可靠性和效率，并构建 NRFB 的溶解度数据库。然而，即使利用 HTE 系统，潜在溶剂混合物的多样性也使得筛选过程更加耗时且昂贵。

主动学习（AL），特别是贝叶斯优化（BO），已被证明是加速寻找储能应用所需电解质的可靠方法。因此，由 BO 指导的闭环实验工作流程可用于最大限度地减少 HTE 执行。

ML 引导的高通量实验机器人平台

在此，研究人员使用 2,1,3-苯并噻二唑（2,1,3-benzothiadiazole，BTZ），一种高性能阳极电解质，具有高度的离域电荷密度和良好的化学稳定性，作为模型 ROM。重点是研究其在各种有机溶剂中的溶解度，展示机器学习引导的高通量实验（HTE）机器人平台在加速 NRFB 电解质发现方面的潜力。

图示：基于机器学习（ML）引导的高通量实验平台的闭环电解质筛选过程示意图。（来源：论文）

具体来说，研究人员设计了一个闭环溶剂筛选工作流程，由两个连接的模块组成，即 HTE 和 BO。HTE 模块通过高通量机器人平台进行样品制备和溶解度测量。BO 组件由替代模型和采集函数组成，两者共同充当预言机，进行溶解度预测并建议新的评估溶剂。

工作流程如下图所示，具体步骤：

• 首先，通过 HTE 平台准备 ROM 的饱和溶液和分析样本。接下来，获取这些样品的核磁共振 (NMR) 光谱，并利用光谱数据计算 ROM 的溶解度。
• 然后，该数据集用于训练替代模型，作为 BO 过程的一部分，该模型用于预测搜索空间内未经测试的样本的溶解度。
• 随后，在 BO 框架内应用采集函数来指导新样品的选择，根据预测溶解度值和相关不确定性（即适应度得分）的平衡指导评估，从而简化潜在溶剂的发现和分析。

比手动处理样品快 13 倍以上

自动化平台可以在最少的人工干预下制备溶质过量的饱和溶液和定量核磁共振 (qNMR) 样品。

通过自动化 HTE 工作流程，完成 42 个样品的溶解度测量的总实验时间约为 27 小时（~39 分钟/样本，运行更多样本时每个样本的时间更短）。这比使用「过量溶质」方法手动处理样品快 13 倍以上（每个样品大约需要 525 分钟）。

除了 HTE 系统提供的速度提高外，研究还非常重视控制实验条件，例如温度（20℃）和稳定时间（8小时），以确保准确测量 BTZ 在各种有机溶剂中的溶解度。

图示：自动化高通量实验 (HTE) 平台概述。（来源：论文）

根据文献综述和对溶剂特性的考虑，研究人员列出了 22 种 BTZ 潜在候选溶剂。然后，通过将这 22 种单一溶剂成对组合，进一步列举了另外 2079 种二元溶剂，每种溶剂具有 9 种不同的体积分数。

表：22 种候选有机溶剂列表及其理化性质。（来源：论文）

该平台从包含 2000 多种潜在溶剂的综合库中识别出多种溶剂，其原型氧化还原活性分子 2,1,3-苯并噻二唑的溶解度阈值超过 6.20 M。值得注意的是，综合策略需要对不到 10% 的候选药物进行溶解度评估，这凸显了新方法的效率。

图示：通过贝叶斯优化 (BO) 识别所需电解质。（来源：论文）

研究结果还表明，二元溶剂混合物，特别是那些掺入 1,4-二恶烷（ 1,4-dioxane）的溶剂混合物，有助于提高  BTZ 的溶解度。

总之，研究展示了用于电解质筛选的 ML 引导的 HTE 平台，其中 ML 预测和自动化实验协同工作，可有效筛选对 BTZ 具有最佳溶解度的二元有机溶剂。

该研究不仅有助于连接数据科学和传统实验科学领域，而且还为未来开发专用于电池电解液筛选的自主平台奠定了基础。