摘要
锂金属电解质的反应性源于分子功能团、Li$^+$ 溶剂化和盐阴离子参与之间的相互作用。这种相互作用通过在供体、阴离子和阳离子中心之间的电子密度重分布进行，最直接的从空间分辨的电子结构中读取。量子化学计算能够准确地提供这些读数，但在多维设计空间中计算需求很高，而机器学习电子结构模型往往无法涵盖化学多样性的溶剂壳或电解质相关的读数。在此，我们提出了一种以密度矩阵为中心的人工智能平台（EMolStudio），用于电子结构预测和分析。其工作流程整合了分子功能化、显式 Li$^+$ 第一壳组装、密度矩阵预测与幂等投影，以及前沿轨道、电势、Li$^+$-供体键级和电子定位的读数。
我们将 EMolStudio 应用于 163,655 个功能化分子和 22,500 个显式 Li$^+$ 第一壳簇，涵盖四种锂盐。研究结果表明：1) 在分子尺度上，功能化通过前沿能级、电势和 Li$^+$-供体接触的化学变化区分 CO$_2$Me、CN、F/CF$_3$ 和磺酰基，符合 $ ext{π}^*$-受体、诱导和极化贡献，高度功能化时有亚线性累积；2) 在显式溶剂壳中，阴离子种类重塑前沿轨道的定位：LiTDI 在整个库中将 HOMO 固定在阴离子上，而 LiDFOB 则将阴离子主导的 HOMO 与强功能团依赖的 LUMO 结合。EMolStudio 因此将功能团和盐的选择转化为与锂键形成、脱溶剂化和相界面反应相关的电子结构假设。
博主点评： 本文提出的 EMolStudio 平台在电子结构分析领域具有重要意义，通过密度矩阵方法有效整合了功能团和阴离子的影响，为锂金属电解质的设计提供了新的视角，推动了材料科学与计算化学的交叉研究。其在处理大规模数据时的能力也为未来的研究奠定了基础。