近日，课题组在Angew. Chem., Int. Ed.（IF = 16.6）期刊发表文章，题为：Machine Learning Assisted Prediction of Donor Numbers: Guiding Rational Fabrication of Polymer Electrolytes for Lithium-Ion Batteries， 本工作第一作者为21级博士研究生高宇晴。

       聚合物电解质在高能量密度电池中备受关注。 然而，参与配位的聚合物片段的固有电子捐献能力如何影响锂离子解离/传输，并合理地指导电解质的设计和制造，是一个极具探索性的课题。 本研究提出了一种将机器学习与密度泛函理论相结合的可行方法，用于预测聚合物构建单元的供体数（DN）。 利用这种方法，可以设计出具有优化 DN 的聚合物链，从而有效调节锂离子的溶解结构。 分子动力学模拟证实了聚合物链对锂离子快速传输的积极影响。 对所提出的齐聚物聚合物电解质（ZPE）的实验验证显示了令人满意的参数：离子电导率（0.59 mS cm^-1）、离子迁移数（0.82）和活化能（0.016 eV）。 锂|ZPE|锂对称电池的电化学分析表明，在电流密度为 0.2 mA cm^-2 时，电镀/剥离性能可持续超过 3000 小时。 组装好的 NCM|ZPE|Li 电池在 4.3 V 下可稳定循环 1400 次，容量保持率达 92.3%。 此外，即使在 4.5 V 和 4.7 V 的超高电压下，NCM|ZPE|锂电池也能表现出稳定的循环性能。 这种方法为聚合物分子设计提供了一种范例策略，推动了可持续电池技术的发展。