锂金属电池具有更高能量密度，是下一代高能量电池的重要发展方向。然而，锂金属负极的库伦效率等问题作为锂金属电池迈向应用的重要挑战制约其进一步发展。其中，电解液是影响锂金属负极稳定的重要因素，但电解液设计需要在庞大而离散的化学空间中寻找最优组合，组分之间复杂的界面化学和电解液化学相互耦合，使传统依赖试错的研发模式面临实验成本高、周期长和难以适应新分子加入等挑战。

图1. 锂电池电解液组分设计空间巨大，设计知识耦合复杂

围绕上述问题，北京大学庞全全团队与清华大学、劳伦斯伯克利国家实验室、普林斯顿大学及SES AI Corp.等单位科研人员合作，聚焦锂金属电池电解液设计中“搜索空间大、性能关系不连续、实验噪声高”的关键难题，提出融合深度主动学习与知识迁移的两阶段框架，实现了锂金属电池电解液的快速发现，并将学习到的设计知识迁移到更大参数空间、锂金属全电池体系以及新分子引入场景中。相关成果以“Deep active learning and knowledge transfer for rapid discovery of lithium metal battery electrolytes”为题，于3月27日提前上线发表在《自然·通讯》（Nature Communications）。

图2. 基于深度主动学习和目标统计编码方法的两阶段研究框架

该研究构建了由深度主动学习（DAL）和目标统计编码（TSC）组成的两阶段方法。在第一阶段，研究团队在由锂盐、溶剂、添加剂及其浓度构成的720种电解液配方空间中，利用深度核学习结合Thompson采样，智能选择最具信息量的实验，并对电解液配方与电池性能之间高度不连续的关系进行建模；在第二阶段，团队将主动学习过程中捕捉到的组分相关性显式编码，实现知识向更高维候选空间和新任务的迁移。

研究结果表明，仅经过三轮DAL迭代、总计测试128个电池样本，测试电池的平均循环寿命就从随机筛选阶段的41.9次提升到第三轮后的125.1次；短寿命电池占比由80.6%降至28.1%，长寿命电池占比则由9.7%提升至40.6%。对推荐的前5种电解液进行重复实验验证后，所得配方整体表现优于采用相近组分的代表性高性能文献配方。与此同时，TSC方法还能够从实验的正、负结果中量化提取组分之间的相关性，不仅复现已有经验规律，也能够生成新的设计线索。

基于上述知识表示，研究团队将原始720种配方扩展到5400种更高维候选空间，并在零样本条件下快速锁定优质电解液。实验验证显示，入选的前5种配方中有4种可实现超过1800小时的稳定循环，平均循环寿命达到200.6次，较原始参数空间迭代优化后的平均水平进一步提升1.6倍。在更贴近应用的锂金属/NCM811全电池中，团队又将对称电池中学到的知识迁移到全电池优化任务。经过一轮少样本迭代后，第二轮推荐的前5种电解液100圈平均容量保持率达到84.0%，显著高于首轮推荐配方的58.2%。此外，面对新分子加入带来的组合爆炸，团队将新分子引入新空间，构建了5760种候选配方；仅通过一轮包含32种新配方的实验，150圈平均容量保持率便从24.4%提升至56.5%，最优电解液水平可实现在250圈后仍可保持83%的容量。

图3. 深度主动学习与目标统计编码技术实现电解液设计知识迁移应用至更复杂电解液体系和新化学组分的电解液体系

该研究表明，人工智能驱动的快速筛选与知识迁移，有望推动复杂材料体系从“依赖试错”走向“少样本、可迁移、可持续迭代”的自主发现范式，并为缓解锂金属电池中的“碳酸酯/醚类冲突”、开发高性能电解液提供了新的技术路线。

庞全全、清华大学自动化系副教授江奔奔、SES AI Corp.许康为论文共同通讯作者。庞全全课题组2025届博士毕业生洪旭峰为第一作者，清华大学博士生王玺哲为共同第一作者，北京大学为论文第一通讯单位。该研究得到国家重点研发计划、国家自然科学基金、清华-丰田联合研究基金、北京市自然科学基金、北京信息科学与技术国家研究中心以及111国际合作项目等支持。