清华学子陈耀鹏利用数据智能赋能电解液研发，从学术研究走向产业实践，实现智能电解液设计的创业。
原文标题：陈耀鹏：数据智能赋能电解液研发 | 提升之路系列（三）
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、文章中提到AI在电解液研发中的应用，你认为AI未来还能在哪些材料研发领域发挥更大的作用？为什么？
3、文章中提到了产学研结合的重要性，你认为高校在产学研合作中应该扮演什么样的角色？如何才能更好地促进科研成果的转化？
原文内容
导读
导读
为了发挥清华大学多学科优势，搭建跨学科交叉融合平台，创新跨学科交叉培养模式，培养具有大数据思维和应用创新的“π”型人才，由清华大学研究生院、清华大学大数据研究中心及相关院系共同设计组织的“清华大学大数据能力提升项目”开始实施并深受校内师生的认可。项目通过整合建设课程模块，形成了大数据思维与技能、跨界学习、实操应用相结合的大数据课程体系和线上线下混合式教学模式，显著提升了学生大数据分析能力和创新应用能力。
我是化学工程系 2024 级直博生，导师为张强教授，研究方向为人工智能设计锂电池电解液。研究生期间，我以 GPA 3.80/4.0 的成绩获综合一等奖学金。在对“AI × 电解液 ”方向的浓厚兴趣驱动下，我参加了大数据能力提升项目，系统训练了数据管理、算法建模与工程化实现等核心能力，并在课程学习中均取得 4.0 满绩的成绩。这些训练使我形成了面向智能电解液研发的跨学科优势，为科研实践与创新创业提供了坚实基础。
电解液常被称为“ 电池的血液 ”，对电池的安全性、快充能力和循环寿命等性能指标具有显著影响。我的研究方向是锂电池电解液设计。在具体研究过程中，我深刻体会到电解液体系的复杂性：分子种类多、化学规律复杂，优化难度大。传统依赖经验与试错的研发方式效率低，难以支撑下一代高性能电解液体系的快速迭代。这些挑战促使我思考：能否以更加科学、系统、智能的方式理解并优化电解液，从而突破传统方法的局限。
理论计算方法如 DFT 和 MD 可以提供实验难以直接获得的重要性质（如氧化还原稳定性、结合能、黏度和介电常数等），这些性质对电解液设计具有重要意义。然而传统方法往往依赖手动提交计算任务、逐一提取结果，难以应对大规模体系的探索需求。基于大数据理念的发展，高通量计算与自动化数据分析成为提高研究效率、揭示体系规律的重要手段。通过整合海量分子结构与性质数据，可以将经验知识系统化、结构化，并借助聚类、降维、相关性分析等方法从数据中挖掘关键规律。例如，在弱溶剂化硅氧烷体系中，可以发现“ 阴离子富集 ”溶剂化结构的形成机制，这类规律通过理论计算方法得以清晰、可量化地呈现。
相关科研成果以 Origin of Anion-Rich Solvation Structures in Siloxane Electrolytes 为 题 发 表 在 国 际 化 学 领 域 权 威 期 刊 Angewandte Chemie International Edition，体现了我们在电解液溶剂化机理方面取得的的系统性突破。同时，这项工作也验证了理论计算在科研中的巨大价值：它不仅加深了我们对复杂电解液体系的本质理解，也为构建数据驱动的电解液智能设计框架奠定了坚实基础。
作为在校学生，我们常常会感受到学校课程与企业需求之间存在一定差距：课堂上主要学习原理和方法，而企业需要解决的是真数据、真场景与工程化问题。如何将所学知识真正应用于实践，是我们普遍面临的挑战。大数据实践课恰好为我们提供了一个产学研结合的平台，使我们能够使用来自真实工业场景的数据，理解企业痛点，从而提升数据分析与工程实现能力。
在课程中，我作为负责人承担了中国大唐集团科学技术研究总院提出的“基于AI 的储能电站状态离线评估系统 ”项目。该项目围绕储能电站缺乏全生命周期状态评估的行业需求展开。我完成了真实电站数据的清洗、异常处理和特征构建，搭建了状态评估、寿命预测与异常检测模型， 并实现了基于 Web 的可视化分析界面。整个过程让我对工业数据的复杂性和工程化流程有了更直观的认识。
最终，我在两个月内完成了项目报告和相关代码开发。合作企业对我的表现给予了认可，认为我能够快速理解业务需求，并具备较强的数据分析和工程实现能力。这一经历不仅提升了我的实践能力，也让我更加理解“将技术真正落地 ”的重要性。
