在各种先进的储能系统中，锂硫电池(LSBs)因高理论比容量(1675 mAh g^-1)、高能量密度(2600 Wh kg^-1)、低成本、环境友好成为最有前途的储能系统之一。电解质是LSBs的关键材料，电池性能往往对电解质表现出很强的组分敏感性。与传统的“单溶剂和单盐”电解质不同，多组分电解质一般由一种以上溶剂和锂盐组成，其组分间存在着复杂的溶剂化效应，因此合理设计多组分电解质可以充分利用组分间的协同作用，发挥组分各自的优势，从而能够大幅优化竞争溶剂化关系，从根本上改变电解质的微环境。此外，多组分电解质在调节多硫化物的溶解度和溶剂化结构中也起着重要作用，并在与锂负极接触时显著影响固体电解质界面(SEI)的稳定性和均匀性。因此，优化电解质配方是最大限度发挥电解质中多组分协同作用的关键。

在电解质组分优化工作中，对于各组分的比例的调整过程是十分复杂的，且每增加一个组分，相关工作量必定呈指数增长。此时，依靠人工优化费时费力，严重阻碍了电解质材料的研发进程。如将机器学习(ML)作为辅助用以优化电解质，则可大幅减少试错成本，加快研发周期。但获取高通量大数据必然要付出高昂的工作量和时间成本，这对基于有限小数据的材料研究并不友好。在受控实验条件下收集小样本以获得高质量的小型数据集，消耗更少的资源来获得更多信息，对于探索和理解复杂因果关系非常有利。在此背景下，小数据主动学习策略开始被广泛应用于材料研发，旨在通过指导实验与理论计算有机结合，达到协同优化设计的目的。

文章首先综述了多组分电解质中各组分之间存在的复杂的相互作用关系，其次探讨了多组分电解质对多硫化物溶解和溶剂化的影响以及电解质对SEI的影响。最后，针对多组分电解质设计过程中面临的挑战，提出了ML辅助策略，以实现对电解质微环境的精细调控，完成高性能多组分电解质的优化。总的来说，文章展望了一种主动学习-实验验证的多组分电解质设计模式，希望能够推动ML在优化多组分电解质中的发展。