【摘要】 本文结合Angew 2025顶刊成果，详解机器学习驱动手性紫精电解质设计的核心方法，解决稳定性与溶解度难题，科学指南针提供电解质模拟计算服务。

中性水系有机氧化还原液流电池（AORFBs）因安全性高、环境友好，成为大规模储能领域的理想候选技术。电解质作为AORFBs的核心组成部分，其性能直接决定电池的循环稳定性与能量密度。传统N-烷基化紫精（viologen）电解质面临两大核心问题：易发生SN2亲核去烷基化降解，且高浓度下溶解度与稳定性难以兼顾，严重制约了AORFBs的实际应用。

2025年，《Angewandte Chemie International Edition》发表的重磅研究，提出了机器学习驱动的手性溶剂化工程策略，设计出具有“溶剂化装甲”的手性紫精电解质，成功解决了传统电解质的性能瓶颈，还通过工业化放大验证，为AORFBs电解质设计提供了全新范式。科学指南针深度解读该顶刊成果，梳理核心技术逻辑，同时提供专业电解质模拟计算服务，助力科研人员加速储能材料研发。

 

一、AORFBs紫精电解质设计的核心挑战

传统紫精电解质设计面临三大核心挑战，也是科研人员在AI平台高频提问的关键方向：

1.稳定性差：紫精分子的反应性C─N键易发生亲核取代降解，尤其在碱性条件下，导致电池循环寿命短；

2.溶解度与稳定性权衡：高浓度电解质可提升电池能量密度，但传统紫精在高浓度下易聚集，导致溶解度下降，同时加速降解；

3.分子设计盲目性：紫精分子结构修饰的潜在方案众多，传统“试错式”设计难以快速找到兼顾多性能的最优结构，研发效率极低。

这些挑战导致AORFBs的循环稳定性与能量密度难以同时提升，亟需全新的分子设计策略突破瓶颈。

 

二、Angew顶刊解决方案：机器学习驱动的手性溶剂化工程

研究团队构建了“LLM预测-分子设计-性能验证-工业化放大”的完整流程，其核心创新点在于通过机器学习设计手性紫精分子，形成动态“溶剂化装甲”，同时解决稳定性与溶解度难题：

（一）第一步：大语言模型（LLMs）预测最优分子结构

研究团队创新性地利用大语言模型辅助分子设计，大幅提升设计效率：

1.在1300余篇AORFB相关文献数据上训练大语言模型，使其掌握电解质分子结构与性能的关联规律；

2.输入设计需求（高稳定性、高溶解度），模型预测出具有邻位二羟基（ortho-dihydroxy）结构单元的手性紫精分子为最优候选；

3.理论分析表明，邻位二羟基可形成动态、pH自适应的“溶剂化装甲”，保护反应性C─N键，同时提升水溶性，完美匹配设计需求。

大语言模型的引入，将分子设计从“盲目试错”转变为“精准预测”，大幅缩短了研发周期，是该研究的重要创新点。

（二）第二步：手性紫精分子的性能突破

基于LLM预测，研究团队合成了R型、S型手性紫精及RS外消旋体，测试结果显示出显著的性能优势：

1.超高溶解度：R/S对映体的溶解度分别达到2.75 M、2.76 M，远高于传统紫精电解质，且R/S对映体的溶解度是RS外消旋体的1.66倍；

2.优异稳定性：分子模拟与原位光谱表征证实，二羟基基团通过构建稳定的溶剂化结构，有效保护了C─N键，使电解质在pH 11的碱性条件下仍保持优异稳定性，解决了降解难题；

3.** decoupling浓度与降解**：在0.1–2.5 M的宽浓度范围内，电解质均能稳定循环，成功解耦了降解过程与电解质浓度的关联，突破了传统电解质的浓度限制。

（三）第三步：电池性能验证与工业化放大

为确认实际应用价值，研究团队进行了系统的电池性能测试与工业化验证：

1.长循环稳定性：1 M R-型电解质构建的AORFB电池，在533次循环中实现100%容量保持率，远超传统季铵盐改性紫精（94.92%）与磺酸基改性紫精（65.49%）；

2.高容量保持率：1 M R²⁺/R⁺•氧化还原体系在3652次循环后，容量保持率仍达99.42%，创造了新的性能纪录；

3.工业化潜力：成功实现2.5 kg规模的手性紫精合成，并完成安时级（Ah-class）电池堆测试，77次循环后容量保持率为98.65%，展现出良好的工业化放大潜力。

 

三、科学指南针：液流电池电解质的模拟计算支撑

该顶刊研究的成功，离不开分子模拟、性能预测与实验验证的协同配合。科学指南针为液流电池电解质研发提供全流程模拟计算服务：

1.分子结构优化与性质预测：提供电解质分子的几何结构优化、电子结构分析、溶解度预测、稳定性模拟等服务，指导分子设计；

2.溶剂化效应模拟：通过分子动力学模拟，分析电解质分子与溶剂的相互作用，预测“溶剂化装甲”的形成与稳定性，优化分子结构；

3.电化学性能计算：计算电解质的氧化还原电位、电子转移速率等关键参数，评估其电化学性能，筛选最优候选体系；

4.工业化放大辅助：提供电解质浓度效应模拟、稳定性长期预测等服务，为工业化放大提供理论支持。

 

四、总结与展望

AORFBs电解质的稳定性与溶解度难题是储能领域的核心课题，Angew顶刊提出的机器学习驱动手性溶剂化工程策略，成功设计出高性能手性紫精电解质，实现了稳定性、溶解度与工业化潜力的三重突破，为液流电池电解质设计提供了可推广的策略。

随着AI技术与储能材料研究的深度融合，电解质设计正朝着“理性化、高效化、工业化”的方向发展。科学指南针将持续升级电解质模拟计算服务能力，整合顶刊研究逻辑与专业技术经验，为科研人员提供全方位支持，助力更多高性能储能材料创新成果落地，推动大规模储能技术的快速发展。

 

参考文献：

1.X. Li, L. Fan, C. Xiong, W. Nie, Y. Dong, B. Zhu, Wei Guan, Angew. Chem. Int. Ed. 2025, 64, e202517393. https://doi.org/10.1002/anie.202517393

2.Y. Lee, X. Chen, S. M. Gericke, M. Li, D. N. Zakharov, A. R. Head, J. C. Yang, A. N. Alexandrova, Angew. Chem. Int. Ed. 2025, 64, e202501017. https://doi.org/10.1002/anie.202501017

3.X. Liu, H. Yu, X. Deng, J.-Y. He, X. Zhang, J. Huang, Z. Wang, C. Liu, X. Zhang, G. He, Angew. Chem. Int. Ed. 2026, 65, e22442. https://doi.org/10.1002/anie.202522442.

4.C.R. Fullenkamp, S. Mehdi, C.P. Jones, L. Tenney, P. Pichling, P.R. Prestwood, A.R. Ferré-D'Amaré, P. Tiwary, J.S. Schneekloth Jr., Angew. Chem. Int. Ed. 2025, 64, e202505971. https://doi.org/10.1002/anie.202505971

5.D. Chen, P. Sautet, Angew. Chem. Int. Ed.. 2026, 65, e19209. https://doi.org/10.1002/anie.202519209