过去十年，对锂离子电池（LIB）电解液进行分子动力学模拟的兴趣非常浓厚，这在理论上可以提供电解液结构和动态的完整图像。然而，传统的分子力学力场，例如用于蛋白质-配体结合的生物分子模拟的那些，可能不适合描述LIB化学的复杂性。具体而言，Li + 在浓缩的极性有机电解液中的溶剂化和动态的物理化学与水相生物分子物种是截然不同的。从头算分子动力学（AIMD）方法是一个替代方案，但受到系统大小、模拟时间尺度和可获得的密度泛函理论（DFT）功能的严重限制。过去十年创造并发展了一种为复杂化学系统构建力场的方法，这种方法有望复制高水平从头算量子化学的准确性，同时将每个原子构型的能量评估成本降低几个数量级。这些方法基于机器学习力场（MLFFs），这些力场被参数化以重现大型且多样的训练集的量子化学相对能，例如，从力场模拟中提取的簇或直接来自周期性电子结构计算。MLFF的计算成本比传统的成对加性分子力学力场每次能量评估贵两到三个数量级，例如优化液体模拟的势能（OPLS4）；然而，它仍然比纯量子化学方法（如AIMD）便宜几个数量级。在对LIB电解液的一项初步研究中，使用高维、带电递归神经网络（QRNN）MLFF，观察到了含有多个Li + 离子的分子复合物，其间距短（小至3 Å），而没有与反离子直接配位。在本研究中，我们报告了基于QRNN的精炼MLFF电解液模型的详细理论分析，并与固态核磁共振（ssNMR）光谱进行比较。这些结果强烈支持多Li + 物种的计算发现，这些物种仅由乙烯碳酸酯（EC）溶剂分子协调。我们严格证明QRNN与高水平量子化学计算以及实验的凝聚相、结构和电化学性质之间的一致性。QRNN分子动力学模拟揭示了Li + 离子的微溶剂化结构及其在电池电解液系统中的相关氧化还原特性。从QRNN模型的开发、计算见解的生成到与实验的验证，形成了一套插图工作流程。QRNN模型预测了多Li + 聚集体。在QRNN分子动力学轨迹的快照中，显示了构成的离子和分子。计算得到的Li + 阳离子与其他Li + 阳离子、EC溶剂分子以及PF 6 −阴离子的径向分布函数（RDF）图，与OPLS4生产分子动力学轨迹的1 M LiPF 6在EC溶剂中的结果进行比较。QRNN模拟中，Li + 离子在不同浓度的LiPF 6中显示出显著的Li + 聚集。在量化1 M LiPF 6在EC中的液体电解液结构时，我们计算了Li + 与其他Li + 离子（Li–Li）、与EC的质心（Li–EC）以及与PF 6 −的质心（Li–P）的径向分布函数（RDF）。这一点在QRNN轨迹中表现出在3 Å左右的一个尖锐峰，表征电解液溶液中多Li + 聚集的存在，而在OPLS4模拟中没有看到这一点。QRNN和OPLS轨迹的Li–EC RDF相似，代表Li与溶剂的初始结合，但Li–P RDF则显著偏离，反映了QRNN模拟中Li + –PF 6 −离子对的分离。与不同浓度的LiPF 6在EC中Li + 的分子复合物统计数据，特别是不同Li n 聚集体中Li + 的比例也在本文中呈现。在QRNN模拟中，多Li + 复合物经常出现，且多个Li阳离子近距离(<4.5 Å)接近，其频率随着浓度的增加而增加。