华南师大邢丽丹/肖哲熙/ SES AI许康Chem：基于机器学习的电解质设计：加速下一代电池的发现与多维优化

该综述文章系统探讨了机器学习在下一代电池电解质设计中的关键作用，旨在加速新材料的发现与多目标优化。背景方面，电解质设计面临化学空间广阔及稳定性、离子传输与界面相形成之间复杂耦合的挑战。研究目的旨在通过机器学习方法，包括分子层面的性质预测与逆向设计、可迁移的机器学习力场模拟、以及多目标配方优化，来革新电解质研发范式。结论指出，机器学习能大幅节约时间与经济成本，有效筛选溶剂、盐和添加剂，优化配方，并预测电池健康状态与寿命。但面临数据稀缺、多模态数据噪声、模型跨类别可迁移性差、分布外泛化及生成式分子设计可合成性等挑战。未来结合大语言模型有望构建智能平台，进一步推动更安全、更长续航储能技术的发展。文章着重强调了从单分子设计到系统优化的全链条智能范式及未来发展方向。