就像人体需要稳定的血液环境，电解液的稳定性对电化学储能器件的正常运行至关重要。然而，炭材料负极表面微量的金属杂质原子和空位等缺陷就像一个个“活跃分子”，导致电解液在工作电压区间内发生不可逆的还原分解反应，严重缩短了器件的循环寿命。但由于炭材料内部的金属杂质原子多以痕量存在，用传统实验方法对电解液溶剂的实际还原电位进行表征非常困难。

近日，中国科学院山西煤炭化学研究所709团队在电化学反应电位预测领域取得进展，以《Predicting practical reduction potential of electrolyte solvents via computational hydrogen electrode and interpretable machine-learning models》为题发表在Springer Nature旗下npj Computational Materials期刊上。该论文创新性地将计算氢电极（CHE）模型和数据驱动的科研范式相结合，建立了预测电解液溶剂还原电位的新方法。

数据驱动的电解液还原分解电位预测

研究团队采用前期开发的推广CHE模型计算电解液还原分解电位，利用得到的12种常见电解液溶剂在32种金属杂质原子和空位表面的384个还原电位数据构建反应电位数据库。随后通过特征工程保留了11个最佳特征，以还原电位数据库划分为训练集和测试集，将随机森林、支持向量机、梯度提升、XGboost等机器学习算法进行模型训练和参数优化，发现基于XGboost算法的机器学习模型具有最高的预测精度和最低的过拟合程度。进而采用SHAP算法对模型进行可解释性分析，发现电解液溶剂的热容、蒸气压和偶极矩等性质对还原电位有较大影响。

数据驱动的电解液溶剂还原电位预测工作流示意图

特征工程和机器学习回归模型训练结果

实验验证与计算解析

在优化筛选机器学习模型的基础上，采用训练集和测试集以外的6种电解液溶剂作为验证集，实际测量了其在含锂和钠离子的炭材料负极中的还原电位。实验结果表明机器学习模型具有很好的泛化能力，验证集中电解液溶剂的还原电位与其遵循同样的相关性规律。同时采用第一性原理计算探讨溶剂还原电位差异，发现由于金属原子的电子结构差异，电解液溶剂还原反应中间体可与其产生不同类型的相互作用，影响了还原反应自由能，从而导致溶剂还原电位的差异。

溶剂还原反应中间体与炭材料表面相互作用的电子结构分析