UT Dallas：机器学习助力锂金属电解液双目标协同优化

本文研究了锂金属电池（LMBs）中局域高浓度电解液（LHCE）的双目标协同优化问题。背景方面，锂金属电池因其高能量密度被视为下一代储能技术，但存在界面不稳定、库仑效率低和锂枝晶生长等问题。研究目的是通过机器学习方法优化电解液配方，以提升库仑效率（CE）和降低过电位（Overpotential），分别代表电解液的热力学稳定性和动力学传输性能。研究采用贝叶斯优化和帕累托前沿分析相结合的策略，构建了实验–模型闭环优化框架。结果表明，优化后的电解液配方LDT5-1在无负极电池中表现出优于行业基准电解液M47的性能，验证了机器学习在电解液设计中的高效性和适用性。