摘要

本文介绍了一种名为Uni-ELF的多级表示学习框架，用于电解质配方设计。该框架通过两阶段预训练方法，重建三维分子结构并预测统计结构属性，从而显著提高电解质设计的预测能力。Uni-ELF在预测分子性质（如熔点、沸点、合成可行性）和配方性质（如导电性、库仑效率）方面表现出色，超越了现有最先进的方法。此外，Uni-ELF能够无缝集成到自动实验设计工作流程中，为基于AI的电解质设计和工程开辟了道路。

原理

Uni-ELF框架的核心在于其多级表示学习能力，通过两阶段预训练方法实现。首先，在分子级别，使用Uni-Mol模型重建三维分子结构，捕捉分子间的复杂相互作用。其次，在混合物级别，从分子动力学模拟中预测统计结构属性，如径向分布函数（RDF），以理解分子在混合物中的行为。这种综合预训练使Uni-ELF能够捕获分子和混合物级别的精细信息，从而显著提高其预测能力。

流程

Uni-ELF的工作流程包括两个主要阶段：分子级别的表示学习和混合物级别的表示学习。在分子级别，使用Uni-Mol模型对分子进行编码，并通过自监督任务（如恢复掩蔽的原子类型和去噪原子对距离）进行预训练。在混合物级别，模型接收分子种类及其摩尔比，以及一系列径向距离值，这些径向距离通过高斯核进行嵌入。模型保持分子种类的成对表示，并利用RDF的对称性进行预训练，以恢复混合系统的结构属性。通过这种多级表示学习，Uni-ELF能够准确预测电解质的各种性质。

应用

Uni-ELF框架在电解质设计领域具有广泛的应用前景。其高精度的预测能力可以加速新电解质材料的发现和优化，特别是在锂电池技术中。此外，该框架还可以扩展到其他需要配方级别预测或生成的领域，如药物设计和配方信息从光谱数据中的提取。随着进一步的改进和验证，Uni-ELF有望在多个科学和工程领域发挥重要作用。