Npj Comput. Mater.: 电化学储能器件：数据驱动的电解液分解电位

本文探讨了电化学储能器件中电解液溶剂在炭材料负极表面还原分解的问题，指出金属杂质原子和空位等缺陷会促使电解液在电化学窗口内发生分解，影响器件循环寿命。研究团队创新性地结合计算氢电极模型和数据驱动方法，建立了预测电解液溶剂还原电位的新方法，通过机器学习模型准确预测了12种常见电解液溶剂在32种金属杂质原子和空位表面的还原电位。研究还通过实验验证了模型的泛化能力，并利用可解释性机器学习算法和电子结构分析方法揭示了溶剂还原电位差异的原因。该研究为高性能电化学储能器件和新型电解液设计提供了理论指导。