NSR | 用“指纹”解码锂金属负极的失效路径

在传统的电池研究中，科研人员往往要经历一套周期长、成本高、低效率的流程：将新设计的电解液注入电池，进行循环测试，待性能衰退后再将电池拆解，借助复杂昂贵的表征手段寻找失效原因，并据此反向优化配方。这一过程常常难以揭示电池失效过程中发生的动态演化，严重制约了材料研发效率。

我们开始思考一个颠覆性的设想：那些被视为“性能记录”的充放电曲线，是否本身就隐藏着关于电极和界面结构演化的信息？如果能像解读“指纹”那样识别它们，是否可以在电池早期阶段就预测其未来的失效路径？带着这些问题，我们引入了机器学习的工具，希望能在曲线中“读出”微观机制的密码。

近日，清华大学深圳国际研究生院周光敏团队联合中国科学院深圳先进技术研究院成会明院士团队，在《国家科学评论》（National Science Review, NSR）发表了题为“Deciphering failure paths in lithium metal anodes by electrochemical curve fingerprints”的研究论文，首次提出一种基于“电化学曲线指纹”的新方法，仅凭电池前两圈的充放电数据，即可实现对锂金属负极失效模式的高准确预测。这一工作开辟了电池失效机制研究的全新思路，也为未来电解液筛选和电池设计提供了强有力的技术支撑。

对比传统事后分析方法与本研究前期预测方法

三种失效模式，一眼识破

通过对长达四年累计、覆盖多种主流电解液体系的大规模循环数据的深入分析，研究团队将锂金属负极的失效归纳为三类典型模式：动力学退化（KDF）、可逆性退化（RDF）、协同退化（CDF）。

研究人员基于这些定义构建了一个分类模型，仅使用前两圈的曲线特征，即可对三类失效类型实现高准确率预测。更重要的是，该模型在多种已发表的典型电解液体系中均表现出良好的泛化能力和低误判率，体现出极高的实用性和通用性。这意味着，电池的“命运”其实早已在它的“婴儿期”就写入了曲线之中。

深入微观世界：为什么一开始就“注定”结局？

为何前两圈的曲线就能如此“预言未来”？研究进一步揭示了背后的微观机制：这些“指纹”实际上反映了锂沉积初期的形貌以及界面结构（SEI）。这两者共同决定无效界面层和非活性锂的生成趋势。最终，这些结构特征直接影响了锂离子和电子的传输路径：过长的离子路径会降低动力学性能，而冗长的电子路径则削弱了反应可逆性，从而导致不同的失效模式。

新范式、新工具、新希望

该研究首次证明：电化学曲线不仅仅是电池性能的输出“记录”，更可以成为揭示微观演化机制的“指纹图谱”。基于这一理念构建的预测模型，准确率高、适用范围广、成本极低，尤其适用于快速筛选各类电解液体系。

未来，这一工具有望显著提升电池研发效率，加速新材料的发现与验证，为构建高性能、长寿命的锂金属电池提供数据驱动的新路径。这项工作不仅为电池基础研究提供了全新思路，也为产业界提供了一种更快速、更精确的评价方法，助力下一代高能电池的落地应用。

https://doi.org/10.1093/nsr/nwaf158