锂金属电池因具备超高理论能量密度，被公认为下一代储能与动力电池的核心发展方向，其性能突破对新能源产业升级意义重大。但锂金属负极库伦效率低、界面稳定性差等核心难题，长期制约其规模化应用，而电解液作为调控负极界面、决定电池循环寿命的核心组分，是破解上述瓶颈的关键。

近日，北京大学材料科学与工程学院庞全全教授团队联合清华大学、劳伦斯伯克利国家实验室、普林斯顿大学等科研机构，在锂金属电池电解液研发领域取得突破性进展。团队创新提出融合深度主动学习与知识迁移的两阶段研究框架，成功破解电解液设计“试错难、周期长、成本高”的行业痛点，实现高性能电解液的快速发现与知识高效迁移。相关研究成果发表于自然・通讯，为下一代高能量密度锂金属电池商业化落地提供关键技术支撑。

不同于传统材料研发，电解液设计面临庞大离散的化学搜索空间，锂盐、溶剂、添加剂及浓度组合形成海量配方，且组分间界面化学、电解液化学相互耦合，性能关联高度不连续。传统“试错式”研发模式实验成本高昂、研发周期漫长，难以适配新分子引入、高维配方扩展等复杂场景，行业亟需高效、智能的电解液研发新范式。

针对电解液设计“搜索空间大、性能关系不连续、实验噪声高”三大核心痛点，庞全全团队构建深度主动学习（DAL）与目标统计编码（TSC）融合的两阶段创新框架，以人工智能技术赋能电解液智能筛选与设计知识迁移，实现从少样本实验中精准挖掘高性能配方，并将学习到的设计规律高效迁移至复杂场景。

研究第一阶段聚焦720种初始电解液配方空间，创新性采用深度核学习结合Thompson采Ơ..