8月4日消息，发表于arXiv的论文（编号2608.03688）提出了一种基于机器学习的溶剂筛选方法，用于优化固态聚合物电解质（SPE）中微量残留溶剂的选择。该研究由沈佳鼎、陈俊杰、徐晓飒等10位作者完成。 固态聚合物电解质中残留溶剂显著影响电解质和界面性质，最优选择可提升离子电导率和锂离子迁移数。然而溶剂分子的复杂性使传统筛选方法难以系统化。研究团队建立了将电子性质（HOMO、LUMO能级）与宏观性质（介电常数、偶极矩、极化率）关联的通用准则，基于约10000种溶剂的高通量DFT计算数据集训练机器学习模型。 模型筛选出两种候选溶剂：N-甲氧基-N-甲基-2,2,2-三氟乙酰胺（NMO-M-TFA）和2,2,2-三氟-N,N-二甲基乙酰胺（TFA-DMA）。实验验证表明，将微量NMO-M-TFA引入聚偏氟乙烯-六氟丙烯（PVDF-HFP）基体后，获得4.5V电化学窗口、30°C下5.5×10⁻⁴ S/cm离子电导率和0.78 Li⁺迁移数。电池循环表现优异：以LiFePO₄为正极500次循环后容量保持率86.7%，以LiNi₀.₉Co₀.₀₅Mn₀.₀₅O₂为正极2C倍率下200次循环后保持率98.7%，均优于TFA-DMA、DMF、NMP和DMSO等对比溶剂。 该研究建立了SPE残留溶剂筛选的系统化范式，对推进高能量密度锂金属电池的产业化具有指导意义。PVDF-HFP基固态电解质因兼具柔性加工性和良好的电化学稳定性，被视为替代液态电解质的重要候选方案之一。 （来源：arXiv）