Nat. Comput. Sci. | 一种动态路由引导的可解释盐–溶剂化学分析框架

DRUGONE

盐–溶剂化学决定了电解质体系中的离子电导率、粘度和稳定性，但由于盐、溶剂及条件组合形成的巨大化学空间，以及实验数据稀缺且分布极度不均衡，使得理性设计仍十分困难。研究人员提出了一种名为 SCAN 的动态路由引导可解释建模框架，用于系统刻画盐–溶剂体系。该方法能够有效处理长尾分布数据，并覆盖广泛的盐–溶剂组合空间。在非水电解质任务中，模型显著降低电导率预测误差，并进一步构建了超过一千万种潜在体系的电导率图谱。通过大规模验证，模型预测的高电导候选体系具有超过80%的成功率。更重要的是，该框架结合梯度归因、符号回归和量子计算分析，能够解释分子柔性和离子–溶剂相互作用对电导率的影响，为电解质设计提供可解释化学规律。

盐–溶剂化学是锂离子电池等电化学系统的核心基础，它决定了离子迁移、溶剂化结构及界面反应行为。非水电解质由于具有更宽的电化学窗口，是实现高能量密度电池的关键体系，而离子电导率是其最重要性能指标之一。然而在实际体系中，离子迁移涉及复杂的分子级相互作用，受温度、浓度以及盐和溶剂分子性质共同影响。近年来虽然出现了基于人工智能的自动化电解质优化平台和加速分子动力学的方法，但这些研究通常仅限于狭窄的化学空间或少量体系，缺乏能够同时实现广泛化学探索与物理解释的统一计算框架。同时，现有实验数据库呈现严重长尾分布，大多数样本电导率较低，高性能体系极为稀少，这进一步增加了模型训练难度。因此研究人员希望开发一种既能处理不平衡数据，又能提供化学解释能力的建模方法。

图1：SCAN——动态路由引导的非水电解质工程平台。

方法

研究人员基于CALiSol实验数据构建SCAN框架。首先为锂盐和溶剂计算多种分子描述符，并将温度、浓度等实验条件编码为结构化向量，从而形成统一的盐–溶剂–条件表示。随后设计了一个多特征融合神经网络MFNet，分别对盐、溶剂和条件信息进行独立特征提取，并通过注意力机制学习全局相关性。在此基础上引入动态路由策略，使模型能够根据输入样本自适应选择计算路径，从而缓解长尾数据带来的偏置问题并提升对稀有高性能体系的预测能力。训练完成后，该模型可用于大规模高通量筛选潜在电解质组合。

图2：非水电解质的数据分析与分子描述符设计。

结果

模型构建与预测性能

研究人员首先利用包含13种锂盐、38种溶剂以及超过一万条实验记录的数据集训练模型。该数据集中约七成样本电导率低于5 mS/cm，而高于20 mS/cm的样本仅占极小比例，体现明显长尾特征。通过动态路由机制，SCAN在预测任务中显著优于多种基线模型，包括Transformer、图神经网络和传统机器学习方法。模型实现了更低误差和更高决定系数，同时在不同电导率区间均保持较高召回率，证明其不仅整体精度高，而且能够正确识别稀有高电导体系。此外模型参数量较小，训练时间仅数小时，表明其具备良好的计算效率。

图3：电导率预测的模型性能与分析。

可解释性分析与化学机制发现

研究人员进一步通过梯度归因方法分析模型学习到的关键化学因素，并结合符号回归提取可读的定量关系。结果显示，锂盐的疏水性参数对电导率具有显著正影响，而含氢键基团数量则呈负相关，这与离子缔合和溶剂化行为的物理理解一致。在溶剂方面，分子可旋转键数量与电导率正相关，说明分子柔性可降低体系粘度并促进离子解离；而重原子数量增加会降低电导率。温度和浓度同样表现出预期的正向影响。通过符号回归，研究人员还得到一组简化的经验表达式，可用于指导电解质设计，进一步增强模型的可解释性。

图4：SCAN模型的可解释性分析。

大规模化学空间探索

借助训练好的模型，研究人员构建了包含超过一千万种双溶剂组合的潜在电解质空间，并快速筛选出数万种高电导候选体系。与分子动力学模拟相比，SCAN预测单个体系仅需数秒，而模拟可能需要数小时甚至更长，从而将计算成本降低数千倍。

图5：利用SCAN探索非水电解质化学空间。

分子动力学验证与溶剂化结构分析

研究人员随后对部分预测候选体系进行了分子动力学模拟验证。结果表明模型预测值与模拟结果高度一致，多数候选体系被确认具有高电导率。在溶剂化结构分析中，发现乙腈分子能够形成稳定的第一配位壳层，其高偶极矩和路易斯碱性使其成为主要溶剂化配体，而共溶剂多位于外层溶剂壳中。这种结构在保证结合稳定性的同时保持配体交换灵活性，有利于快速离子迁移。量子化学计算进一步证实了该溶剂化模式的电子结构合理性。

图6：基于LiBOB的非水电解质体系验证

讨论

研究人员认为SCAN的核心贡献在于同时实现了高精度预测、化学可解释性以及大规模搜索能力。通过动态路由网络，模型能够有效处理长尾分布并捕捉稀有但关键的高性能体系。其模块化结构还允许通过少量新数据进行迁移学习，从而适应新的盐或溶剂体系。未来研究可进一步引入三维结构信息或电子结构特征以提升预测能力，同时结合大语言模型自动挖掘文献数据，从而构建更大规模的高质量数据库。尽管仍需更多实验验证，该框架已展示出在电解质设计及其他材料科学领域中的广泛应用潜力。

整理 | DrugOne团队

参考资料

Wang, Z., You, F. A dynamic routing-guided interpretable framework for salt–solvent chemistry. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-026-00955-5

内容为【DrugOne】公众号原创｜转载请注明来源