9月3日消息（论文9月2日提交），厦门大学等机构研究者在arXiv发表预印本，提出用于锂电池电解液添加剂发现的“原型引导分子智能”框架ProtoMI。电解液添加剂分子经实验验证的数量极为稀疏，而可访问的化学空间庞大且大多无标注；在锂离子电池中，添加剂性能取决于耦合的界面反应而非单一分子性质，使这一发现难题进一步放大。

ProtoMI的思路是从文献已报道的电解液添加剂中学习可迁移的结构先验，再用于对未标注化学空间中的候选分子进行优先级排序。研究以含硼添加剂为案例：文献中经实验验证的硼系添加剂可归纳为若干原型结构，框架据此在外部商用分子库中开展虚拟筛选，所推荐的候选分子在容量保持率、阻抗增长抑制等关键指标上的预测表现进入文献报道结果的前列，其中部分候选完成了实验验证，性能与文献最优值相当。

方法层面，ProtoMI将“稀疏标注+大空间”的矛盾转化为原型结构先验的迁移问题，规避了对大规模高通量实验数据的依赖，这对实验数据天然稀缺的配方型研发场景具有通用参考价值。电解液添加剂是提升锂离子电池循环寿命与快充能力最具性价比的杠杆之一，但传统试错周期长；近年中国团队在氟代碳酸乙烯酯（FEC）、硫酸酯类成膜添加剂上的持续产出，使AI辅助添加剂筛选成为产业界关注方向。该工作显示文献知识挖掘与分子先验迁移结合，可在缺乏专有实验数据的情况下给出可实验验证的候选，为电解液配方智能化提供新路径。 （来源：arXiv）