氧化還原活性分子（ROM）的溶解度是提升氧化還原液流電池（NRFB）能量密度的重要因素。然而，由於缺乏大量實驗溶解度數據集，電解質材料的研發進展一直受到限制，同時溶解度數據集對於利用數據驅動等高通量篩選方法來說也至關重要。
美國太平洋西北國家實驗室Liang Yangang、Vijayakumar Murugesan聯合阿貢國家實驗室Hieu A. Doan等人設計並研究了一種高度自動化工作流程，該流程將高通量實驗平台與最先進的主動學習演算法相結合，可顯著提高氧化還原活性分子在有機溶劑中的溶解度。
作者以2,1,3-苯並噻二唑（BTZ）作為ROM模型，重點研究其在各種有機溶劑中的溶解度，展示了機器學習引導高通量機器人在加速發現NRFB電解質方面的潛力。作者從包含2000多種潛在溶劑的綜合庫中辨識出眾多對BTZ溶解度超過6.2 M的溶劑。
研究結果表明，二元溶劑混合物，尤其是含有1,4-二惡烷的混合物，有助於提高BTZ的溶解度。該流程除了能設計開發高效能氧化還原液流電池電解質，還為加快發現功能材料提供了一種通用方法。
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
