第一作者：罗号燃  （Haoran Luo）、苟倩志（Qianzhi Gou）

通讯作者：郑玉杰（Yujie Zheng）、李猛（Meng Li）

通讯单位：重庆大学

原文链接：https://doi.org/10.1021/acsnano.4c13312

研究背景

水系锌离子电池（AZIBs）因具有高理论容量、低还原电位、本质安全和环境友好等优点，被视为极具前景的储能设备。然而，锌阳极存在枝晶生长和寄生反应问题，导致循环性能不佳，严重阻碍了其进一步发展和商业化进程。利用电解质添加剂稳定锌阳极是一种有效策略，但目前缺乏合理的筛选标准，传统实验测试耗时久，限制了该策略的应用，亟待确定筛选参数。

文章简介

研究团队主要来自重庆大学等单位，该研究发表于《ACS Nano》期刊。本文创新性地提出机器学习辅助的方法，加速无枝晶AZIBs电解质添加剂的开发。以古特曼供体数（DN值）作为筛选参数，构建集成机器学习模型预测有机分子的DN值来筛选添加剂。通过实验和理论计算，揭示不同DN值添加剂对锌阳极热力学稳定性的影响规律及优化机制。发现添加剂DN值与锌阳极电化学性能正相关，高DN值的异丙醇（IPA）添加剂显著提升了锌基电池的性能，如日历寿命达1500小时、450次循环内库仑效率稳定在99%、循环保持率良好等。该研究为AZIBs的研究提供了新方法。文献的相关研究以“Machine learning-assisted high-donor-number electrolyte additive screening toward construction of dendrite-free aqueous zinc-ion batteries”为题目发表在《ACS Nano》期刊上。

图文要点

Fig. 1. Schematic of the data-driven design of high-DN electrolyte additives.

图1展示了高DN值电解质添加剂的数据驱动设计过程及对锌阳极的优化机制。通过收集数据、特征工程、机器学习过程等环节构建模型预测添加剂DN值，筛选出高DN值添加剂，其可通过重塑锌离子溶剂化结构、抑制副反应等机制优化锌阳极性能，为后续研究提供了整体框架。

Fig. 2. ML predictions of molecules’ DN values and deep learning predictions of molecule properties.

图2通过DFT计算获取分子描述符构建数据集，用RF和GBR算法训练模型预测DN值，展示了模型在训练集和测试集上的性能，如R²和RMSE值，验证了模型准确性。通过计算皮尔逊相关系数和SHAP值分析特征重要性，确定影响DN值的关键特征。利用D-MPNN方法简化输入特征，基于QM9和CM5电荷数据集开发深度学习模型预测分子描述符，进一步证明模型的准确性，为筛选高DN值添加剂提供了有力工具。

Fig. 3. Characterization of the solvation structure of Zn²⁺ . 图3采用ESP映射、拉曼光谱、1H NMR光谱等技术，对含不同DN值添加剂（PC、DMA、IPA）的电解质中Zn²⁺的溶剂化结构进行表征。结果表明，高DN值添加剂会改变Zn²⁺的溶剂化结构，使SO₄²⁻难以参与溶剂化，且添加剂DN值越高，对SO₄²⁻的排斥能力越强，同时添加剂与H₂O的配位作用会重塑Zn²⁺的溶剂化结构，从微观层面解释了添加剂对电池性能的影响机制。

Fig. 4. Electrochemical performance of Zn-based cells.

图4通过对不同电解质（含/不含添加剂）的锌基电池进行恒电流充放电测试等，研究电池的循环性能、倍率性能、库仑效率等。结果显示，含高DN值添加剂（如IPA）的电池在循环寿命、库仑效率和倍率性能等方面表现优异，如含IPA的锌基电池在 1 mA cm⁻²、1 mAh cm⁻² 条件下循环寿命超1500小时，证明了高DN值添加剂对提升电池性能的有效性。

Fig. 5. Morphological evolution of the Zn plate in various electrolytes.

图5运用SEM、XRD、AFM、原位光学显微镜和COMSOL模拟等技术，研究锌板在不同电解质中的形貌演变。发现含IPA添加剂的电解质可抑制锌枝晶生长，使锌沉积更均匀，如在IPA电解液中循环后的锌板表面更平整，粗糙度更低，验证了高DN值添加剂对锌阳极表面形貌的优化作用，为电池性能提升提供了直观证据。

Fig. 6. Analysis of parasitic side reactions of the Zn anode in both electrolytes.

图6通过SEM、线性极化、LSV、DEMS等实验及DFT计算，研究IPA添加剂对锌阳极寄生副反应的抑制作用。结果表明，IPA添加剂可抑制锌阳极的腐蚀和析氢反应，其优先吸附在锌表面，形成贫水界面，减少水诱导的副反应，从多个角度解释了添加剂提升电池稳定性的原因。

Fig. 7. Analysis of Zn²⁺ migration kinetics in various electrolytes.

图7利用CA、CV、EIS等测试及DFT计算，研究不同电解质中Zn²⁺的迁移动力学。发现IPA添加剂可引导Zn²⁺均匀沉积，提高成核过电位，虽增加了脱溶剂能垒，但对Zn²⁺迁移动力学的负面影响可忽略不计，进一步阐述了添加剂对电池性能的影响机制。

Fig. 8. Electrochemical performance of full cells.

图8组装Zn‖δ-MnO₂全电池，测试其CV、GCD、倍率性能、循环性能和自放电性能等。结果显示，含IPA添加剂的全电池在高倍率条件下容量更高，循环稳定性更好，自放电性能更优，如在3 A g⁻¹电流密度下，含IPA的全电池容量达125 mAh g⁻¹，500次循环后容量保持率为78.8%，验证了IPA添加剂在全电池中的有效性和应用潜力。

研究结论与展望

研究成果表明，通过机器学习辅助预测有机分子的DN值筛选电解质添加剂，可有效优化锌阳极性能。高DN值添加剂（如IPA）通过重塑Zn²⁺溶剂化结构、修饰锌阳极双电层结构等机制，抑制水诱导的副反应和锌枝晶生长，显著提升了锌基电池的电化学性能。该研究成果为无枝晶AZIBs的开发提供了新途径，有望推动水系锌离子电池在储能领域的广泛应用。然而，该研究可能存在添加剂成本、大规模制备工艺等方面的局限性。未来研究可聚焦于探索更多低成本、高性能的添加剂，优化电池制备工艺，进一步提升电池的综合性能，促进水系锌离子电池的商业化进程。