超越氟化：基于化学配位信息的机器学习指导下的高压电解质设计黄金标准

本文针对高压电解质设计中过度依赖氟化策略导致氧化稳定性与离子传输动力学之间存在权衡的问题，提出了一种基于化学配位信息摩尔特征的机器学习方法。研究背景是当前高能量密度锂金属电池中，传统氟化化学虽能增强抗氧化性能，但过度氟化会牺牲离子传输动力学。研究目的旨在通过构建电解质配方中各组分与化学配位原子摩尔量的一一映射，利用梯度提升回归模型预测氧化电位，并揭示影响氧化稳定性的关键原子尺度关联效应。结论表明，模型预测的平均绝对误差低于0.36 V，并发现单配位氟（F1）与双键氧（O1）的摩尔比（F1/O1）在突破氧化稳定性上限中起关键作用，定义了黄金设计准则：F1(≥8.19)/O1(≥13.39)∈[0.55, 1.10]。据此识别出两个氧化电位约6.3 V的新候选配方，为智能电解质材料设计提供了可定制的特征工程范式。