化学与物理引导的生成式AI加速绿色材料及溶剂发现

《Artificial Intelligence Chemistry》：Accelerated green material and solvent discovery with chemistry- and physics-guided generative AI

本研究针对传统分子设计工具效率低、成本高的问题，开发了一种结合化学物理规则与生成式人工智能（GenAI）的新框架。研究人员集成Transformer、生成对抗网络（GAN）和变分自编码器（VAE）等模型，用于快速生成新型绿色溶剂，应用于CO2捕集和木质素提取。该方法实现了70%的分子有效性和94%的新颖性，模型训练时间低于1小时，分子生成仅需数秒，显著优于传统方法。通过集成机器学习评估环境可持续性，并结合逆合成分析确定绿色合成路径，为绿色材料发现和工艺优化提供了高效、可扩展的解决方案。

　　

随着全球碳中和目标的推进，工业脱碳技术的创新成为关键。碳捕集、利用与封存（CCUS）以及木质纤维素生物质（如木质素、纤维素）的增值化利用，是难以减排行业的重要脱碳路径。其中，绿色溶剂，如低共熔溶剂和离子液体，能够高效捕集CO₂并选择性提取木质素，从而促进木质素解聚为高附加值产品。然而，现有的分子设计工具通常速度缓慢且计算成本高昂，严重限制了绿色材料的创新步伐。传统方法如实验筛选和基于物理的评估不仅耗时耗力，而且在探索广阔化学空间方面存在固有局限。例如，汉森溶解度参数（HSP）虽能评估溶剂-溶质亲和性，但已实验表征的有机溶剂数量有限，数据集稀疏且存在化学偏差，使得溶剂发现多依赖于已知分子的手动启发式修改，难以触及未探索的化学空间。

为了突破这些瓶颈，一项发表于《Artificial Intelligence Chemistry》的研究提出了一种创新的数据驱动框架，利用生成式人工智能（Generative AI, GenAI）来加速绿色材料的发现。该研究由Eslam G. Al-Sakkari、Ahmed Ragab、Marzouk Benali、Olumoye Ajao、Daria C. Boffito和Hanane Dagdougui合作完成，他们开发了一种集成化学与物理规则的生成式AI方法，旨在快速、高效地设计新型绿色溶剂。

研究人员采用了几项关键技术方法来实现这一目标。首先，他们构建了一个集成生成模型，结合了生成预训练Transformer（GPT-2）、Wasserstein生成对抗网络（W-GAN）和卷积变分自编码器（CVAE），以从不同数据表示（文本和图像）中生成分子结构。其次，数据预处理阶段严格遵循人类专家设定的关键性能指标（KPI）阈值，通过汉森溶解度参数（HSP）和相对能量差（RED）筛选训练数据，确保生成模型聚焦于具有所需溶解特性的溶剂。第三，他们引入了物理和化学引导的自动标注与验证机制，利用RDKit等工具进行分子有效性检查，并开发了基于大型语言模型（如Llama、BERT）的自动标注系统来验证生成的简化分子线性输入规范（SMILES）代码。最后，通过集成机器学习模型预测生成溶剂的环境可持续性指标（如毒性LC₅₀/LD₅₀、闪点FPt），并结合逆合成分析工具（如ASKCOS、AIZynthFinder）评估合成可行性，从而形成一个从生成到评估的闭环系统。

数据预处理与准备

研究首先对原始数据进行清洗和格式化，确保数据质量。针对分子结构，主要采用SMILES代码表示，因其能有效提取分子特征。数据预处理包括去除无效SMILES、规范化编码以及去重，确保数据集的唯一性和准确性。人类专家根据HSP和RED值设定KPI阈值，指导模型生成符合要求的溶剂。

集成生成模型结果

在生成阶段，GPT-2、W-GAN和VAE模型被赋予初始相等权重，后续根据性能进行自适应调整。GPT-2在生成复杂分子结构方面表现最佳，首次生成试验中，CO₂溶剂的有效性达56%，新颖性达88%；而W-GAN和VAE生成分子结构较简单，有效性高但新颖性低。通过增量学习，在第二次迭代后，模型整体有效性提升至71.3%，新颖性达94.4%，显著优于初始结果。

关键性能指标数值比较

生成分子的有效性通过RDKit和ChemSpider进行物理验证，同时采用LLM自动标注模型进行数据驱动验证，准确率达99.5%。通过集成ML模型预测HSP，计算RED值，筛选出“良好”溶剂。例如，对于CO₂溶剂，GPT-2生成的分子中约70%被标记为良好，而使用混合数据集时该比例不足5%，凸显了基于高质量数据微调的优势。

逆合成分析结果

研究利用ASKCOS等工具对生成的分子进行逆合成分析，为实验合成提供可行路径。例如，针对CO₂溶剂分子“CCOCCC(CC)OCC”，提出了平均合理性评分≥0.95的合成路线，为实验室验证提供了指导。

溶剂绿色度测试结果

环境可持续性评估显示，生成的溶剂在毒性（LC₅₀> 1500 mg/L）和易燃性（闪点 > 150°C）方面表现良好。通过构建绿色度综合评分（G_s^Score），将溶剂按安全等级分类，便于排名和选择。

增量学习的作用

针对生成模型可能出现的“幻觉”现象（即生成不切实际的分子），研究采用增量学习策略，通过更新训练数据集（加入有效且符合KPI的新分子）来重新训练模型。这种迭代优化有效提升了生成分子的质量和相关性。

研究结论表明，该集成生成式AI框架能够快速、低成本地发现新型绿色溶剂，在CO₂捕集和木质素增值化领域具有重要应用价值。通过物理化学规则引导和人类专家监督，确保了生成分子的有效性和实用性。未来工作将探索更先进的生成架构（如GPT-GAN混合模型）、强化学习（RL）优化以及量子启发计算，以进一步提升生成效率并降低环境足迹。该方法可扩展至其他材料发现和工艺设计领域，为可持续工业发展提供强大工具。