综述：机器学习在低共熔溶剂中的应用：性质预测与分子设计进展

这篇综述系统阐述了机器学习（ML）在低共熔溶剂（DES）领域的突破性应用，涵盖粘度、密度、熔点等关键物化性质的预测模型构建，重点分析了人工神经网络（ANN）、随机森林（RF）、支持向量机（SVM）等算法的优化策略，并探讨了COSMO-RS描述符与混合建模方法的协同优势。

　　

机器学习赋能低共熔溶剂设计

近年来，低共熔溶剂（DES）因其可调谐的物化性质和绿色特性成为传统溶剂的理想替代品。这类由氢键供体（HBD）和氢键受体（HBA）通过氢键网络形成的共熔混合物，在药物递送、生物质处理和CO₂捕获等领域展现出巨大潜力。然而，其复杂的分子相互作用使得实验测定性质耗时费力，而机器学习（ML）技术正通过挖掘分子描述符与宏观行为间的非线性关系，为DES的高通量设计开辟新路径。

核心性质与分类体系

DES可根据组分类型分为五类：I型（季铵盐+金属氯化物）、II型（水合金属盐）、III型（胆碱氯+尿素等HBD）、IV型（金属盐+HBD）和V型（非离子组分）。其关键性质包括：

• •

  粘度调控：HBD链长和羟基数量显著影响流动性，如乙二醇基DES粘度比甘油基低2个数量级

• •

  热稳定性：多数DES在150°C以上仍保持稳定，适合高温催化反应

• •

  极性可调：从亲水性（胆碱氯-尿素）到疏水性（薄荷醇-百里酚）的连续调控

机器学习建模策略

算法选择：

1. 1.

   ANN：通过多层感知器（MLP）捕捉氢键相互作用，对粘度预测R²达0.98

2. 2.

   XGBoost：集成决策树处理高维特征，熔点预测误差<5%

3. 3.

   GPR：高斯过程回归量化预测不确定性，特别适用于小数据集

特征工程突破：

• •

  COSMO-RS衍生的σ-剖面描述符将分子表面电荷密度量化为S₁-S₁₀区域

• •

  扩展连接指纹（ECFP）编码分子亚结构信息

• •

  引入Redlich-Kister方程等热力学约束提升外推能力

典型应用场景

CO₂捕获优化：

CatBoost模型结合σ-剖面描述符，成功预测四丁基磷溴化物-三乙醇胺DES的吸收容量（AARD=2.94%），揭示S₄-S₇非极性区域的关键作用

金属提取增强：

图神经网络（GNN）分析表明，癸酸-α-羟基肟的协同作用使镍提取效率提升38%，而4-吡啶甲酸酯可抑制锰共萃取

挑战与未来方向

当前瓶颈包括：

• •

  数据稀缺性：金属基DES（I/II型）样本不足总量的15%

• •

  描述符成本：DFT计算σ-剖面耗时约8小时/分子

• •

  黑箱限制：SHAP分析虽能解析特征重要性，但难以揭示氢键重组机制

前瞻性解决方案涉及：

• •

  生成对抗网络（GAN）扩充数据集

• •

  迁移学习借鉴离子液体数据库

• •

  融合分子动力学（MD）的混合建模框架

随着算法创新与实验技术的协同发展，机器学习正在将DES从经验探索带入理性设计时代，为绿色化学工程提供智能化解决方案。