高精度预测C–H–N–O含能材料固态生成焓：基于非对称晶胞能量评估的神经网络方法

为解决含能材料固态生成焓（ΔHf）预测精度不足的问题，西安近代化学研究所团队开发了一种结合量子化学计算与人工神经网络（ANN）的高精度方法。通过训练104种化合物的实验数据，模型MAE（平均绝对误差）低至10 kcal/mol，MedAE（中位数绝对误差）达6.6 kcal/mol，显著提升氮富集盐类（如cyclo-pentazolate）的ΔHf预测可靠性，为含能材料设计提供新工具。

　　

在含能材料领域，固态生成焓（ΔH_f）是决定爆轰性能（如爆速D和爆压P）的关键参数。然而，传统计算方法因多步骤误差累积（如气相生成焓与晶格能分步计算）导致预测偏差，尤其对氮富集盐类（如cyclo-pentazolate）的ΔH_f常出现40–50 kcal/mol的高估。这一问题严重制约了新型含能材料的理性设计。

西安近代化学研究所的Zhixiang Zhang、Sergey V. Bondarchuk等研究人员提出了一种创新解决方案：通过直接计算非对称晶胞总能量（E_X）结合原子增量法（Eq.6），跳过传统晶格能估算步骤，并引入人工神经网络（ANN）对104种训练集化合物进行回归分析。该方法仅需6–7个输入描述符，即实现MAE≈10 kcal/mol的预测精度，且训练集与测试集误差一致，无过拟合风险。

关键技术方法
研究采用Materials Studio 2017的Polymorph模块预测晶体结构，通过模拟退火、聚类和几何优化四步流程构建模型；使用Forcite模块进行晶胞弛豫，QEq方法平衡电荷；基于P1空间群计算总能量E_X，结合原子增量法建立ΔH_f直接关联；最终通过10个ANN模型集成分析，验证31种cyclo-pentazolate盐的ΔH_f趋势。

研究结果

1. 相关性特征：ANN模型显示，ΔH_f与分子表面（SA）、静电势参数（σ_tot²ν）显著相关，验证了ESP（静电势）对升华焓（ΔH_sub）的贡献（Eq.3）。
2. 误差控制：测试集（300化合物）MedAE低至6.6 kcal/mol，显著优于文献报道的15–25 kcal/mol（如PM7、RM1等方法）。
3. cyclo-pentazolate验证：所有ANN模型一致显示，文献中该类盐的ΔH_f被系统性高估40–50 kcal/mol，如TKX-50的理论值（473 kJ/mol）远超实验值（119–213 kJ/mol）。

结论与意义
该研究通过量子化学与ANN的协同策略，首次实现含能材料ΔH_f的“一步式”高精度预测，解决了传统方法因分步计算导致的误差放大问题。对cyclo-pentazolate盐的修正结果，为这类高能材料的性能评估提供了更可靠的理论基准。未来可扩展至金属含能配合物等复杂体系，推动含能材料的计算机辅助设计进入新阶段。