9月3日消息（论文9月2日提交），İpek Yenda Çınar等研究者在arXiv发表预印本，结合经典分子动力学（MD）与机器学习（ML）建模，系统研究锂离子电池碳酸酯电解液的低温输运行为，量化氟代添加剂的作用。

研究体系为1M LiPF6电解液，溶剂分别为碳酸乙烯酯（EC）、碳酸甲乙酯（EMC）及EC/EMC（3:7体积比），添加剂氟代碳酸乙烯酯（FEC）含量0-10 mol%，温度区间298K至233K（约25°C至-40°C）。MD模拟计算了Li+自扩散系数、基于Nernst-Einstein与Green-Kubo方法 的电导率及其随溶剂组成与温度的演变，机器学习模型则用于加速性质预测并捕捉多组分耦合效应。

低温运行对锂离子在电解液中的输运施加严格限制，而溶剂组成与氟化添加剂在低温区的耦合效应此前始终缺乏系统解析。EC具有较高的介电常数但熔点高，EMC低温性能更好，二者比例是商用电解液配方的基本权衡变量；FEC则因成膜特性被广泛用作功能性添加剂，其对体相输运性质的影响需要与界面效应分开评估——本研究正是在体相输运层面给出了原子级分辨的定量数据，覆盖单一溶剂、混合溶剂与不同FEC含量组合。

低温性能是电动汽车与高纬度储能应用的关键指标，电解液是制约低温快充与循环的主要瓶颈环节之一。该工作提供的“MD+ML”组合方法与系统性数据集，可作为电解液配方低温优化的筛选依据，也与近期AI添加剂发现框架形成互补——前者解决机理量化，后者解决候选搜索。 （来源：arXiv）