基于矩阵补全方法预测水溶液电解质密度的创新研究

为解决电解质溶液密度数据稀缺且缺乏普适性预测方法的难题，研究人员采用机器学习中的矩阵补全方法(MCM)，构建了包含40种阳离子和18种阴离子的720种电解质密度预测模型。通过将密度数据转化为摩尔分数离子强度的线性函数斜率矩阵，结合概率矩阵分解(PMF)和层级模型，实现了对未研究电解质的准确预测（平均相对偏差0.96%），为化学工程过程设计提供了可靠工具。

　　

电解质溶液的密度是化学工程过程设计中的关键参数，但实验数据稀缺且传统预测方法（如Pitzer方程）仅适用于已研究电解质，无法外推至新体系。这一瓶颈严重制约了混合电解质体系的设计优化和热力学模型转换。针对这一挑战，Maximilian Kohns、Pascal Zittlau和Fabian Jirasek团队在《Fluid Phase Equilibria》发表研究，首次将矩阵补全方法(MCM)应用于电解质溶液密度预测，填补了该领域的空白。

研究团队从多特蒙德数据库(DDB)收集了298.15 K下181种电解质的实验密度数据，涵盖1:1至3:2价态类型的40种阳离子和18种阴离子组合。通过创新性地将密度与摩尔分数离子强度线性关联，将浓度依赖性转化为标量斜率矩阵，显著降低了数据维度。采用两种矩阵补全策略：纯数据驱动的概率矩阵分解(PMF)模型和整合离子价态信息的层级模型。关键技术包括：1）基于DDB的电解质溶液数据筛选与预处理；2）密度-离子强度的线性降维；3）留一法交叉验证评估模型预测性能。

数据研究和预处理
实验数据筛选严格限定水摩尔分数>0.8 mol/mol的溶液，排除高浓度异常值。通过线性拟合验证密度与离子强度的强相关性（R²>0.99），为矩阵补全奠定基础。

结果分析
价态特异性模型显示，1:1电解质预测精度最高（平均偏差0.67%），复杂价态体系（如3:2）偏差略高（1.5%）。层级MCM显著优于纯数据驱动模型，其学习参数与离子电荷密度等物理指标呈现明确相关性，证实模型具有物理解释性。

结论与意义
该研究首次实现未研究电解质密度的准确预测，层级MCM平均偏差仅0.96%。模型参数与离子物理性质的关联揭示了机器学习在物性预测中的可解释性潜力。该方法可扩展至其他溶剂体系，为电解质溶液数据库的智能补全提供了范式。研究获得德国研究基金会(DFG)和卡尔蔡司基金会资助，相关算法框架已通过开源平台共享。