研究背景

近年来，人工智能（AI）正加速推动科研范式变革，尤其是以GPT为代表的大语言模型（LLMs），在化学与材料领域表现出强大的文献挖掘与知识整合能力。研究人员已尝试将其应用于如金属有机框架（MOFs）等材料的结构设计、合成路径预测与实验辅助中。相比传统算法，LLMs的一大优势在于：基于自然语言即可驱动推理与生成，无需编程或复杂建模，极大地降低了化学实验人员使用AI的门槛。这使其在“无代码科研”“跨学科协作”中具有重要潜力。但挑战依旧存在。面对多步实验推理、数据稀缺、反应路径复杂等实际科研任务，传统LLM往往会出现“幻觉”，尤其在没有检索支持或合理提示的情况下。当前常用的方法包括：少样本提示（Few-shot prompting）：通过样例引导模型；检索增强生成（RAG）：结合外部文献知识；思维链（Chain-of-Thought，CoT）提示：通过链式推理分解复杂任务。尽管这些技术取得一定成效，但在真正的实验型研究中（如化学反应、电池系统设计），LLM的应用仍面临严峻挑战。

文章简介

近期，基于思维链的启发，我们提出了一种链式LLM-Human交互框架，首次将GPT引入到四电子Zn–I₂电池电解液的材料筛选流程中。该类型电池因其更高的电压平台（1.68 V）与能量密度而备受关注，其关键问题在于中间产物I⁺的不稳定性。为提升电池性能，研究者需寻找能稳定I⁺的新型电解液组分。我们借助GPT强大的知识推理与材料联想能力，协同人工专家共同完成文献分析、材料推荐与实验验证。实践表明，该交互式研究框架可显著提升材料发现效率，为LLM在实验科研中的落地提供了可行范式。

文章要点

一、在本文提出的链式LLM-Human交互研究流程中（图1），研究人员首先选取了关于四电子Zn–I₂电池的相关文献，并借助GPT的文本挖掘与逻辑推理能力，对文献中的实验设计与材料机制进行深度分析。通过精心设计的prompt工程，有效降低了模型输出“幻觉信息”的风险。

二、基于“降低水活性”与“稳定I⁺”两类核心机制，生成并评分若干潜在电解质材料。结合人工设计的多维评分体系，筛选出[EMIM]Cl等代表性材料，并开展实验验证。结果表明，[EMIM]Cl在提升I⁺稳定性、延长高电压平台、抑制副反应及改善电化学可逆性方面表现突出。通过调整浓度与引入ZnCl₂进一步优化后，组装的Zn−I₂电池在2 A g⁻¹下实现超过1000次循环，库伦效率高于99.3%。

文章链接

https://www.sciengine.com/SCC/doi/10.1007/s11426-025-2789-5

第一作者简介

陈梓慧，天津大学化工学院2022级硕士生，导师为杨春鹏教授，本科毕业于中央民族大学。致力于长寿命水系锌碘电池碘物种调控研究，以解决锌碘电池中多碘穿梭及能量密度低等问题，实现高性能水系锌离子电池。

2025-06-09