氧化还原活性分子（ROM）的溶解度是提升氧化还原液流电池（NRFB）能量密度的重要因素。然而，由于缺乏大量实验溶解度数据集，电解质材料的研发进展一直受到限制，同时溶解度数据集对于利用数据驱动等高通量筛选方法来说也至关重要。
美国太平洋西北国家实验室Liang Yangang、Vijayakumar Murugesan联合阿贡国家实验室Hieu A. Doan等人设计并研究了一种高度自动化工作流程，该流程将高通量实验平台与最先进的主动学习算法相结合，可显著提高氧化还原活性分子在有机溶剂中的溶解度。
作者以2,1,3-苯并噻二唑（BTZ）作为ROM模型，重点研究其在各种有机溶剂中的溶解度，展示了机器学习引导高通量机器人在加速发现NRFB电解质方面的潜力。作者从包含2000多种潜在溶剂的综合库中识别出众多对BTZ溶解度超过6.2 M的溶剂。
研究结果表明，二元溶剂混合物，尤其是含有1,4-二恶烷的混合物，有助于提高BTZ的溶解度。该流程除了能设计开发高性能氧化还原液流电池电解质，还为加快发现功能材料提供了一种通用方法。
Noh, J., Doan, H. A., Job, H., Robertson, L. A., Zhang, L., Assary, R. S., Mueller, K., Murugesan, V., & Liang, Y. (2024). An integrated high-throughput robotic platform and active learning approach for accelerated discovery of optimal electrolyte formulations. Nature Communications, 15(1), 2757.
https://doi.org/10.1038/s41467-024-47070-5
