有机液体热物性预测的机器学习与分子动力学方法基准测试

《Digital Discovery》：Benchmarking Machine Learning and Molecular Dynamics Methods for the Prediction of the Thermophysical Properties of Organic LiquidsOpen Access

　　

准确预测热物性对于润滑油和冷却液的合理设计至关重要。我们汇编了一个包含约4,700个实验值和经过严格评估的参考值的数据库，涵盖C10–C50范围内835种独特有机分子的密度、粘度和导热系数。我们利用该数据库训练和基准测试了一系列机器学习（ML）架构和分子表示方法。基于分子描述子训练的XGBoost模型在所有三个目标性质上始终表现最为准确。分布外测试表明，可以通过描述子空间距离以及预测值在训练范围内的位置来标记不可靠的预测。对八个代表性分子的平衡分子动力学（EMD）模拟能够准确重现密度，但粘度和导热系数表现出系统性的、依赖于化学结构的力场误差。与EMD模拟相比，ML模型的推理成本低几个数量级，非常适合高通量筛选润滑油和其他配方产品的新型候选分子。

此内容仅可通过PDF获取。

打开 PDF 《有机液体热物性预测的机器学习与分子动力学方法基准测试》在新窗口中

? 2026 作者。由英国皇家化学会出版

2026

作者

本文根据Creative Commons Attribution 4.0 Unported许可协议授权使用。您可以在其他出版物中使用本文材料，无需向RSC申请进一步许可，前提是给予正确的署名。

本作品根据 Creative Commons Attribution 4.0 International许可协议 授权。