ACS Nano 2025 | 机器学习辅助筛选高供体数电解液添加剂，构建无枝晶水系锌离子电池
今天介绍的是发表在 ACS Nano 上的一项研究工作。水系锌离子电池具备安全、低成本和环境友好等优势，但锌枝晶、析氢与腐蚀反应严重制约其循环寿命。针对传统添加剂筛选依赖反复试验的问题，提出了一套机器学习辅助筛选方法：以Gutmann供体数作为核心指标，通过分子描述符、随机森林、梯度提升回归和深度学习模型直接预测有机分子的供体数，并筛选出高供体数异丙醇添加剂。异丙醇能够调控Zn²⁺溶剂化结构和锌负极界面，使对称电池稳定运行超过1500 h，并显著改善全电池及软包电池的循环性能，为数据驱动的水系电池电解液设计提供了可推广的新路径。
获取详情及资源:
0 摘要
使用电解液添加剂被认为是构建无枝晶水系锌离子电池的有效策略。然而，模糊的筛选标准和耗时的实验测试不可避免地限制了电解液添加剂策略的应用前景。随着人工智能技术兴起，机器学习为推动储能器件升级提供了新途径。提出了一种机器学习辅助方法，以加快无枝晶水系锌离子电池电解液添加剂的开发。具体而言，选择能够反映溶剂分子与离子相互作用的Gutmann供体数（DN值）作为筛选参数，并构建了通过分子指纹预测有机分子DN值的集成机器学习模型，从而实现电解液添加剂筛选。随后结合实验测试与理论计算，揭示了三种不同DN值添加剂对锌负极热力学稳定性的影响规律及相应优化机制。添加剂DN值与锌负极电化学性能呈正相关。尤其是高DN值（36）的异丙醇（IPA）添加剂，使多种锌基电池表现出优异电化学性能，包括1500 h的长日历寿命、450次循环内约99%的稳定库仑效率以及良好的循环保持率。该方法率先将机器学习用于电解液添加剂DN值预测，为水系锌离子电池研究提供了有吸引力的新工具。
1 引言
水系锌离子电池因具有较高理论容量（820 mAh g⁻¹和5854 mAh cm⁻³）、较低还原电位（相对于标准氢电极为-0.76 V）、本征安全性和环境友好性，被视为很有前景的储能器件候选体系。然而，锌枝晶生长和寄生反应造成的负极循环性能不足，阻碍了其进一步发展和商业化。近年来已提出多种应对策略，包括优化电极几何结构、构建人工保护层、调节电解液配方以及功能化隔膜改性。其中，使用电解液添加剂能够避免复杂制备过程和高制造成本，被认为是稳定锌负极的有效方法。但由于缺乏合理筛选标准，往往需要大量实验测试和理论计算才能比较不同添加剂的作用机制，耗时过程不可避免地拖慢了添加剂开发进度，因此迫切需要确定适用于电解液添加剂的筛选参数。
Gutmann供体数反映分子的内在供电子能力，可作为描述中间产物溶解度以及水介质中氢键网络变化的指标。研究表明，当有机溶剂添加剂的DN值高于H₂O分子的DN值（18）时，可依靠较高极性溶剂化阳离子，并促进溶剂化结构中的H₂O分子被替代。因此，DN值可视为评价分子与阳离子亲和力的核心指标。基于这一性质，已有工作将Gutmann供体数引入水系锌离子电池，选用高DN值（29.8）的二甲基亚砜重塑水合Zn²⁺簇的溶剂化结构，从而抑制负极/电解液界面的锌枝晶和水分解反应。此后，N-甲基-2-吡咯烷酮、N,N-二甲基乙酰胺和1,2-二甲氧基乙烷等多种高DN值溶剂添加剂相继用于改善锌负极的热力学稳定性。尽管取得了这些进展，溶剂分子的DN值通常只能通过实验测量获得，在一定程度上限制了新型添加剂的发现效率；不同DN值添加剂对锌基电池电化学性能的影响仍缺乏深入认识。
随着人工智能技术发展，机器学习可通过大量已知数据进行训练，用于提高研究效率和发现新材料。机器学习能够弥补传统试错方法的不足，并显著降低新材料开发所需的时间与经济成本。已有模型用于预测非水系锌离子电池中307种有机溶剂的电化学稳定窗口，实现具有优良物理化学性质的电解液快速筛选；也有算法建立了锂离子电池有机电解液溶剂的供体数和受体数预测模型，为高体积能量密度电池选择合适电解液提供了便利途径。这些结果证实了机器学习在电池材料研究中的潜力，但预测材料能否应用于实际电池仍需结合实验进行评价与验证。利用机器学习预测有机添加剂DN值并构建无枝晶水系锌离子电池的工作仍较少。
提出并探索了一种机器学习辅助方法，用于快速预测有机分子的DN值并确定能够稳定锌负极的合理电解液添加剂。首先收集已知DN值的有机分子，以最高占据分子轨道、最低未占据分子轨道、偶极矩、极化率和原子电荷为描述符，形成包含161种分子的数据集。随后采用随机森林和梯度提升回归算法训练DN值预测模型，并利用SHAP值分析特征重要性。为进一步简化输入特征，采用定向消息传递神经网络，并基于QM9和CM5电荷数据集开发用于预测有机分子描述符的深度学习模型。将两个模型结合后，可从简化分子线性输入规范直接预测有机分子的DN值，显著降低获取DN值所需的成本和时间。
训练后的模型预测出一批高DN值添加剂。为进一步探索高DN值添加剂的优化机制，选用具有不同DN值的碳酸丙烯酯（PC，17）、N,N-二甲基乙酰胺（DMA，28）和异丙醇（IPA，36），研究添加剂DN值与锌负极热力学稳定性之间的关系。实验与理论计算共同表明，添加剂DN值越高，越有利于提高锌负极的日历寿命。高DN值IPA能够重塑水合Zn²⁺的溶剂化结构，并凭借对Zn²⁺的较强亲和力优先吸附于负极，从而限制水诱导副反应和枝晶生长。采用含IPA电解液的锌基电池因此表现出1500 h的长寿命、600次循环内99.1%的平均库仑效率，以及在1 A g⁻¹下循环500次后75.3%的容量保持率。
图1｜数据驱动设计高DN值电解液添加剂示意图 a. 设计流程。 b. 高DN值添加剂对锌负极的优化机制.
2 结果与讨论
2.1 利用机器学习和深度学习预测分子DN值
有机分子的DN值主要收集自《Lewis Basicity and Affinity Scales: Data and Measurement》及既有文献。数据集共记录161种分子，DN值范围为0～55，多数分子的DN值集中在10～30。主成分分析显示，数据集中主要存在两个影响最大的主成分。随后通过密度泛函理论计算获得这些分子的HOMO、LUMO、偶极矩D、极化率P和原子电荷信息，并将其用作机器学习模型的描述符。其中，
随机森林和梯度提升回归模型在训练集上的R^2分别为0.974和0.976，对应均方根误差仅为0.085和0.0005；在测试集上的
SHAP值分析显示，
上述回归模型虽然成功建立了DFT计算性质与DN值之间的映射关系，但仍要求输入计算性质，限制了未知分子DN值的快速预测。为简化输入过程，采用定向消息传递神经网络预测分子描述符。可用的QM9数据集包含133866种分子的HOMO、LUMO、D和P信息，并通过DFT计算建立了包含2873种分子的CM5电荷数据集。随后以SMILES作为输入，在Chemprop模块中使用定向消息传递神经网络获得预测这些计算性质的深度学习模型。CM5电荷模型的R^2和平均绝对误差分别为0.963和0.026；HOMO模型的R^2为0.944，平均绝对误差为0.003，其他描述符也表现出令人满意的预测性能。该模型未来还可与MoLeR、ChemicalVAE、MolGAN和Chemformer等分子生成模型结合，以获得全新的高DN值电解液分子。
图2｜分子DN值的机器学习预测与分子性质的深度学习预测 a. 添加剂分子数据库中DN值的分布直方图。 b. 随机森林模型性能。 c. 梯度提升决策树模型性能。 d. 输入特征之间的Pearson相关系数。 e. 基于SHAP值的特征重要性分析。 f. 深度学习流程。 g. 训练模型对CM5电荷的预测性能。 h. 训练模型对HOMO的预测性能.
2.2 不同DN值添加剂电解液的溶剂化结构
机器学习和深度学习模型能够准确预测有机分子的DN值，为高DN值电解液添加剂筛选提供节省时间的方法。为阐明不同DN值添加剂对锌负极热力学稳定性的影响，选择PC、H₂O、DMA和IPA四种溶剂分子，其DN值分别为17、18、28和36。四种分子的静电势分布均显示氧原子周围具有较强负电性，有利于与阳离子配位。将固定量的三种有机溶剂分别加入2 M ZnSO₄电解液，均得到透明、均匀的溶液。水接触角随添加剂DN值升高而逐渐减小，含IPA溶液的接触角最低，为57.8°，源于IPA与锌片之间较强的亲和力。pH测试结果表明，这些添加剂对Zn²⁺水解反应的影响可以忽略。
首先利用SO₄²⁻振动带的拉曼光谱研究不同添加剂对水合Zn²⁺簇的作用机制。ZnSO₄电解液中的SO₄²⁻振动带可分为溶剂分离离子对和接触离子对两个区域。溶剂分离离子对表示Zn²⁺与六个H₂O分子配位形成内层配合物，并与SO₄²⁻弱相互作用；接触离子对则表示SO₄²⁻与Zn²⁺强配位形成内层配合物。随着添加剂DN值升高，溶剂分离离子对峰区逐渐展宽，接触离子对峰强度明显受到抑制，说明高DN值添加剂与Zn²⁺之间的强配位使SO₄²⁻更难参与水合Zn²⁺的溶剂化结构。添加剂DN值越高，对SO₄²⁻的排斥能力也越强。
进一步利用¹H核磁共振光谱分析添加剂对溶液环境的影响。纯D₂O在4.69 ppm处出现尖锐的¹H峰，在ZnSO₄电解液中移动至4.73 ppm，源于[Zn(D₂O)₆]²⁺簇形成后水分子质子周围的电子密度降低。加入添加剂后，¹H峰向低化学位移方向移动，且位移量与添加剂DN值呈负相关，说明添加剂与H₂O之间更强的配位作用重塑了Zn²⁺溶剂化结构。ZnSO₄电解液的⁶⁷Zn化学位移为-0.51 ppm；加入不同DN值添加剂后，Zn信号向高场移动，含IPA电解液的最大位移达到0.83 ppm，表明添加剂调控增强了Zn原子的电子密度和屏蔽效应。
在纯ZnSO₄电解液中，Zn²⁺以一定比例的溶剂分离离子对和接触离子对存在。加入有机添加剂后，添加剂依靠亲锌性优先与Zn²⁺配位，减少水合Zn²⁺中的H₂O分子比例，从而重塑溶剂化结构。分子动力学模拟显示，ZnSO₄体系中Zn²⁺与一定数量的H₂O配位，平均配位数为5.3。加入PC、DMA和IPA后，三种添加剂均参与Zn²⁺的溶剂化结构，Zn²⁺的平均配位数依次为5.2、5.1和5.0，与添加剂DN值呈负相关。
DFT计算进一步定量分析了不同[Zn(H₂O)ₓM₆₋ₓ]²⁺簇的溶剂化能，其中M代表PC、DMA或IPA。纯[Zn(H₂O)₆]²⁺簇的溶剂化能为-22.04 eV。随着H₂O逐步被添加剂取代，混合簇的溶剂化能逐渐降低；[Zn(DMA)₆]²⁺和[Zn(IPA)₆]²⁺的最低溶剂化能分别为-24.94和-22.83 eV，说明Zn²⁺与高DN值添加剂具有良好亲和力。添加剂进入Zn²⁺溶剂化鞘后，溶剂化Zn²⁺表面静电势逐渐降低，减弱Zn²⁺周围的静电排斥并有利于离子迁移。电子密度结果同样表明，高DN值添加剂与Zn²⁺之间的相互作用强于H₂O。
图3｜Zn²⁺溶剂化结构表征 a. 四种不同DN值分子的静电势映射。 b. 含或不含添加剂的2 M ZnSO₄电解液中SO₄²⁻振动带的拉曼光谱。 c. 对应电解液的¹H核磁共振光谱。 d. Zn²⁺溶剂化结构演变示意图。 e、h. PC添加剂溶液体系的分子动力学快照和径向分布函数。 f、i. DMA添加剂溶液体系的分子动力学快照和径向分布函数。 g、j. IPA添加剂溶液体系的分子动力学快照和径向分布函数.
2.3 不同电解液中锌负极的稳定性与可逆性
利用Zn||Zn对称电池和Zn||Cu非对称电池分别评价不同DN值添加剂赋予金属锌负极的稳定性和可逆性。在1 mA cm⁻²和1 mAh cm⁻²条件下，纯ZnSO₄电解液中的Zn||Zn电池仅维持80 h便因枝晶生长和寄生反应发生短路。加入不同DN值添加剂后，电池寿命均显著延长，并与添加剂DN值呈正相关。含IPA电解液中的Zn||Zn电池寿命超过1500 h；即使在5 mA cm⁻²和5 mAh cm⁻²的苛刻条件下，IPA仍将对称电池寿命延长至320 h，明显优于纯ZnSO₄以及含PC或DMA的电解液。
Zn||Zn电池在0.5～8 mA cm⁻²电流密度和1 mAh cm⁻²容量密度下进行倍率测试。含IPA的对称电池始终保持稳定电压曲线，滞后电压略高于纯ZnSO₄体系，这是Zn²⁺与IPA强相互作用造成的。电流密度升至8 mA cm⁻²时，含IPA电解液仍保持良好稳定性，而纯ZnSO₄电解液因剧烈枝晶生长和副产物形成出现电压畸变。
在1 mA cm⁻²和1 mAh cm⁻²条件下，含IPA电解液的Zn||Cu电池初始库仑效率为88.5%，高于纯ZnSO₄体系的78.2%，说明IPA能够有效抑制副反应。在持续沉积/剥离过程中，含IPA电解液的Zn||Cu电池在450次循环内维持99.1%的高平均库仑效率；纯ZnSO₄体系只能稳定数十次循环，随后出现电池失效导致的紊乱电压曲线。循环后铜片的扫描电子显微镜结果表明，含IPA电解液中锌负极的优异可逆性源于副产物和“死锌”受到抑制。
图4｜锌基电池的电化学性能 a. 含或不含添加剂的ZnSO₄电解液中，Zn||Zn电池在1 mA cm⁻²、1 mAh cm⁻²下的循环性能。 b. 在5 mA cm⁻²、5 mAh cm⁻²下的循环性能。 c. 在1 mA cm⁻²、1 mAh cm⁻²下与既有电解液添加剂策略的循环寿命比较。 d. 含或不含IPA的ZnSO₄电解液中Zn||Zn电池的倍率性能。 e. 对应滞后电压。 f. 不同电解液中Zn||Cu电池的库仑效率。 g、h. 在2 mA cm⁻²和1 mAh cm⁻²下的电压曲线.
2.4 IPA对锌负极表面形貌演变的影响
在1 mA cm⁻²和1 mAh cm⁻²下循环50次后，纯ZnSO₄电解液中的锌片表面呈现不规则形貌，存在片状锌突起和残留玻璃纤维。尖端效应产生的突起会扰乱Zn²⁺通量并诱发失控枝晶生长，最终缩短锌负极寿命。相比之下，含IPA电解液中循环后的锌片表面较为平整致密。X射线衍射结果显示，IPA能够抑制Zn₄SO₄(OH)₆·5H₂O副产物形成，并诱导Zn²⁺沿（002）晶面优先沉积，提高
原子力显微镜显示，不含IPA的循环锌电极表面起伏明显，均方根粗糙度为0.467 μm；含IPA电解液中的锌片表面平坦致密，粗糙度降至0.284 μm。原位光学显微镜进一步显示，在10 mA cm⁻²沉积条件下，纯ZnSO₄电解液中的金属锌基底在5 min内迅速形成微小突起，并在随后25 min内逐渐演化为不规则枝晶；IPA辅助下则呈现致密、均匀的锌沉积过程，30 min后仍未观察到明显枝晶。
COMSOL模拟显示，在纯ZnSO₄电解液中，锌晶体首先沿电极表面生长并形成凸起，30 s时较高凸起演变为明显尖端，60 s时又以较快的垂直生长速率形成远高于基底的一维晶须，最终演化为苔藓状结构。含IPA电解液中的枝晶生长速率明显降低，整个模拟过程中基底表面保持相对平整。电场和应力分布结果表明，IPA还能促进电场均匀分布并降低负极界面枝晶的硬度，从而消除不利的尖端效应，降低枝晶刺穿隔膜的概率。
图5｜不同电解液中锌片的形貌演变 a、b. 循环后锌片的扫描电子显微镜图像。 c. X射线衍射图谱。 d. ZnSO₄电解液中测试锌片的原子力显微镜图像。 e. 含IPA电解液中测试锌片的原子力显微镜图像。 f. ZnSO₄电解液中锌基底在10 mA cm⁻²下沉积的原位光学显微镜图像。 g. 含IPA电解液中的对应图像。 h. ZnSO₄电解液中锌电极形貌演变的COMSOL模拟。 i. 含IPA电解液中的对应模拟.
2.5 IPA抑制寄生副反应的能力
寄生副反应是导致锌负极失效的另一重要因素。分别在两种电解液中浸泡7 d后，纯ZnSO₄电解液中的锌基底逐渐失去金属光泽，大量无序碱式硫酸锌副产物覆盖整个锌片表面；含IPA电解液中的金属锌片仍以原始锌相为主，并保持相对平坦的表面。能量色散光谱结果进一步证实，IPA能够有效抑制碱式硫酸锌形成。
线性极化测试显示，含IPA电解液中锌电极的腐蚀电位和腐蚀电流分别为-0.968 V和0.107 mA cm⁻²，优于纯ZnSO₄电解液的-0.976 V和0.312 mA cm⁻²，说明IPA可同时降低腐蚀倾向和腐蚀速率。线性扫描伏安测试中，含IPA电解液中的阴极电流在整个测试过程中均较低；阴极电流达到20 mA时，空白和含IPA电解液的析氢电位分别为-1.47和-1.51 V。原位差分电化学质谱结果显示，反复沉积/剥离过程中，纯ZnSO₄电解液中金膜电极的H₂产量明显更高，进一步证实IPA能够抑制水分解。
DFT计算显示，H₂O与Zn²⁺配位后，LUMO能级由-0.79 eV迅速降低至-17.9 eV。LUMO能级越高，物质越难被还原，因此与Zn²⁺配位的溶剂化水更容易在锌负极发生析氢。Zn²⁺-IPA簇的HOMO能级由Zn²⁺-H₂O簇的-22.82 eV升高至-18.96 eV，进一步证实IPA的亲锌性。IPA以水平和垂直构型吸附在Zn（002）表面时，吸附能分别为-0.58和-0.42 eV，均低于H₂O的-0.21 eV，表明IPA与锌基底之间相互作用更强。IPA因而比H₂O更容易吸附于锌表面，可排斥双电层中的水并形成贫水界面，从而限制水诱导副反应。
电荷密度差结果显示，垂直吸附的IPA在锌基底上具有更强的电荷转移。Bader电荷分析得到H₂O、水平IPA和垂直IPA在锌基底上的电荷减少量分别为0.337、0.398和0.735 e⁻。垂直构型中的羟基在空间上更接近锌原子，因而产生更强的亲锌相互作用。电子局域函数也显示，垂直IPA中C和O原子的电子局域程度强于水平IPA和H₂O，与电荷密度差结果一致。
综合实验与理论结果，IPA对寄生副反应的抑制主要源于优先吸附行为。IPA加入水系电解液后，比H₂O更倾向于附着在锌负极上并占据双电层结构中的水分子位置，形成动态贫水界面，从而显著限制金属锌负极上的析氢和电极腐蚀，提高反复沉积/剥离过程中的稳定性。
图6｜两种电解液中锌负极寄生副反应分析 a. 在ZnSO₄电解液中浸泡7 d后的扫描电子显微镜图像。 b. 在含IPA电解液中浸泡7 d后的图像。 c. 不同电解液中锌片的线性极化曲线。 d. 线性扫描伏安曲线。 e. 差分电化学质谱电解池示意图。 f. 基于差分电化学质谱测试得到的沉积/剥离过程中H₂释放强度。 g. H₂O、Zn²⁺-H₂O和Zn²⁺-IPA簇的HOMO与LUMO能级。 h. H₂O、水平IPA和垂直IPA在锌片上的吸附能。 i. 电荷密度差图，等值面水平为0.0002 e Å⁻³。 j. 电子局域函数图.
2.6 IPA对Zn²⁺迁移动力学的影响
计时电流测试显示，在-150 mV恒定过电位下，纯ZnSO₄电解液中锌片电流在500 s后急剧增加，表现为失控的二维扩散，可能对应尖端效应引起的Zn²⁺积聚和不均匀枝晶生长。含IPA电解液仅经历约30 s的短暂二维扩散，成核后长期保持三维扩散。IPA优先吸附于锌基底并产生静电屏蔽效应，引导Zn²⁺在金属基底上均匀沉积。
循环伏安测试中，交叉点与还原峰起始点之间的电位差定义为成核过电位。临界锌晶核半径与成核过电位之间满足：
其中，\gamma表示锌-电解液界面表面能，V_m表示锌的摩尔体积，F表示法拉第常数，\eta表示成核过电位。与纯ZnSO₄相比，含IPA电解液中锌片的成核过电位提高25 mV，这是Zn²⁺与IPA强配位造成的。Zn||Cu电池沉积曲线也显示，加入IPA后成核过电位由42.1 mV提高至47.3 mV。较高成核过电位意味着更强的成核驱动力，更有利于形成细晶沉积，从而抑制枝晶生长。
通过不同温度下的电化学阻抗谱计算两种电解液中水合Zn²⁺的去溶剂化活化能：
其中，
DFT计算显示，[Zn(H₂O)₆]²⁺和[Zn(H₂O)₅IPA]²⁺具有相近的溶剂化能。随着溶剂化鞘中H₂O数量减少，在整个反应路径中，[Zn(H₂O)₅₋ₙIPA]²⁺的去溶剂化能低于[Zn(H₂O)₆₋ₙ]²⁺，表明IPA参与的溶剂化鞘可削弱Zn²⁺-H₂O相互作用。[Zn(H₂O)₅IPA]²⁺与Zn²⁺之间的总能隙为16.70 eV，与[Zn(H₂O)₆]²⁺和Zn²⁺之间的16.61 eV接近，与实验得到的活化能结果一致。
在纯ZnSO₄电解液中，Zn²⁺与自由H₂O配位形成[Zn(H₂O)₆]²⁺。电沉积时，水合Zn²⁺经历去溶剂化，并在锌负极释放大量活性水。残留界面水易分解为H⁺和OH⁻，H⁺逐渐还原为H₂，OH⁻与锌基底反应形成绝缘的碱式硫酸锌钝化层。这些寄生反应还会造成锌负极电场分布不均，引发剧烈枝晶生长。
高DN值添加剂通过协同作用稳定金属锌负极：其一，依靠亲锌性优先与Zn²⁺配位，减少溶剂化鞘中的H₂O数量；其二，与自由H₂O相比更倾向于吸附在锌负极上，促进贫水界面形成。由此可同时抑制水诱导寄生反应和剧烈枝晶生长。
图7｜不同电解液中的Zn²⁺迁移动力学分析 a. 计时电流曲线，插图为二维和三维扩散行为示意图。 b. 不同电解液中Zn²⁺在钛箔上成核的循环伏安曲线，扫描速率为10 mV s⁻¹。 c. 不同Zn||Cu电池得到的Zn²⁺成核过电位。 d. 不同电解液中Zn||Zn电池的活化能。 e. [Zn(H₂O)₆]²⁺和[Zn(H₂O)₅IPA]²⁺沿不同反应路径的去溶剂化能垒。 f. 不含或含高DN值添加剂的ZnSO₄电解液中Zn²⁺沉积示意图.
2.7 不同电解液中全电池的电化学性能
为验证IPA添加剂的应用可行性，组装Zn||δ-MnO₂全电池，并在两种电解液中加入MnSO₄以抑制MnO₂正极的Jahn-Teller效应。不同电解液中的循环伏安曲线均出现两对氧化还原峰，对应Zn²⁺和H⁺的嵌入/脱出过程。含IPA电解液中全电池的循环伏安曲线整体向右移动20 mV，源于IPA与Zn²⁺的强配位轻微延缓Zn²⁺嵌入。
恒流充放电平台与循环伏安氧化还原峰良好对应。电流密度由0.2增加至3.0 A g⁻¹时，含IPA电解液的Zn||δ-MnO₂全电池容量始终明显高于纯ZnSO₄体系。即使在3 A g⁻¹下，含IPA体系仍保持125 mAh g⁻¹，远高于纯ZnSO₄体系的55 mAh g⁻¹，显示出优异的高倍率性能。
IPA也显著改善了全电池循环稳定性。循环500次后，含IPA电解液的Zn||δ-MnO₂全电池仍保持155 mAh g⁻¹，容量保持率为78.8%，明显优于纯ZnSO₄体系。PC和DMA也能在一定程度上改善循环性能，但效果不及IPA，说明高DN值添加剂更有利于提升全电池循环性能。循环后锌片的扫描电子显微镜结果表明，优异性能源于IPA对锌枝晶和副产物的抑制。
静置24 h后，含IPA电解液的Zn||δ-MnO₂全电池库仑效率仍为90.5%，高于纯ZnSO₄体系的82.7%。组装的软包电池能够驱动电子表和LED灯等电子元件，含IPA软包电池在1 A g⁻¹下循环100次后容量保持率达到75.2%，进一步显示出良好的实际应用前景。
图8｜全电池的电化学性能 a. Zn||δ-MnO₂全电池示意图。 b. 含或不含IPA的ZnSO₄电解液中全电池的循环伏安曲线。 c. 恒流充放电曲线。 d. 倍率性能。 e. 循环性能，插图为两种全电池的容量保持率模型。 f. 循环500次后从ZnSO₄电解液中取出的锌片扫描电子显微镜图像。 g. 含IPA电解液中的对应图像。 h. IPA改性电解液中全电池的自放电行为。 i. 含IPA的Zn||δ-MnO₂软包电池光学图像。 j. 软包电池循环性能.
3 结论
提出了一种机器学习辅助方法，用于预测有机分子的DN值并筛选合理的电解液添加剂，以优化锌负极。首先通过DFT计算获得不同有机分子的描述符，再利用随机森林和梯度提升回归算法训练DN值预测模型，并使用SHAP值分析特征重要性。两种算法均具有较高预测准确率，
选用PC、DMA和IPA三种不同DN值的有机溶剂作为示例，揭示添加剂DN值对锌负极沉积/剥离过程中热力学稳定性的影响。实验和理论计算表明，添加剂DN值越高，锌负极日历寿命越长。DN值为36的IPA主要通过两方面发挥作用：一是依靠亲锌性参与水合Zn²⁺的溶剂化结构，减少配位H₂O数量并形成含IPA的溶剂化配合物，从而减少去溶剂化产生的界面活性水，抑制水诱导寄生反应；二是比自由H₂O更倾向于吸附在锌负极上，改变双电层中的分子分布并形成动态贫水界面，从而限制反复沉积/剥离过程中的锌枝晶和副产物形成。
得益于上述机制的协同作用，采用含IPA电解液的多种锌基电池表现出良好电化学性能，包括超过1500 h的日历寿命、长循环中的99.1%平均库仑效率和显著改善的容量保持率。含IPA软包电池还能够驱动多种电子元件并表现出更高循环稳定性，说明机器学习技术为储能器件开发提供了可行路径。