表面张力和界面张力是最重要的热物性之一，尤其是在流体行为受界面力控制的情况下。近年来，使用机器学习（ML）技术预测表面张力及在许多情况下预测界面张力的研究显著增加。这主要与三个重要方面相关：首先，计算能力有所提升；其次，热物性数据的可用性近年大幅增长；最后但同样重要的是，机器学习模型能够处理分子或热力学变量与界面性质之间的非线性关系1, 2。
本文分析了2024年至2026年关于机器学习技术与表面张力和界面张力的最新文献，既从整体角度进行分析，也考虑不同流体类别的情况。这一视角有助于组织讨论并正确理解文献中呈现的结果。流体类型主要影响描述符的选择，描述符在机器学习中成为输入变量，同时也影响将一个模型从一种体系转移到另一种体系的可能性3, 4, 5。与此同时，分析不仅限于建模部分，还包括文献计量学视角（如地理分布和引用影响力），因为这些方面有助于理解这一趋势如何影响未来文献。这对于更好地理解文献中报告的结果是否具有普适性，还是主要与特定数据集或研究小组相关，至关重要。
表面张力有多种定义，但根据IUPAC的定义，我们有："表面张力是在适当条件下，增加表面积所需的功除以该面积"6, 7。区分表面张力和界面张力很重要。事实上，根据IUPAC[6]，当研究两相体系时，同一物理量通常被称为界面张力。机器学习研究不仅应用于表面张力，还经常应用于界面张力，特别是在CO2–卤水、H2–卤水、油–水及油–气等多相体系中。因此，表面张力和界面张力具有相同的热力学含义，但术语取决于所考虑的物理体系。尽管定义很简单，但由于分子间力的作用——包括色散力、偶极–偶极相互作用、氢键以及离子效应[8]——预测并不那么简单。此外，在多组分体系中，界面组成可能与体相组成不同，这进一步使问题复杂化9, 10。
经典方法仍被广泛使用11, 12。这些方法包括对应态关联13, 14、基于视差的抛物法11, 15、基团贡献法16, 17以及与状态方程耦合的热力学模型18, 19。当在特定流体族内应用且数据集一致时4, 20，这些方程可以给出非常良好的结果。问题在于将其推广到不同的化学体系。一些方程给出不同的参数集[12]，但当应用于不同流体族类时，准确性可能会大幅降低。
这也是近年来机器学习技术被经常使用的原因之一。这些方法直接从数据中学习输入变量与目标性质之间的隐含关系，并且在很多情况下不提供简单的显式函数形式。从近期文献来看，显然该问题已被针对多个不同流体类别进行了研究。最常见的类别包括烃类[21]、极性有机化合物（如醇类和酸类）22, 23、水溶液体系[24]、制冷剂[25]、离子液体和深共晶溶剂[26]，以及具有工业意义的混合物27, 28。然而，所分析的文献表明分布并不均匀，许多研究集中在CO2、H2及油气相关体系的界面张力上29, 30?。
现有的关于分子和热物性机器学习的综述和展望以一般方式讨论了数据驱动的预测1, 2, 3。然而，表面张力和界面张力需要更具针对性的分析。事实上，这些性质不仅取决于温度、压力和分子结构，还取决于两相的身份和组成、界面组成、实验技术、平衡过程以及测量的不确定性。
另一值得注意的是，近期文献分布在不同的流体类别和不同的应用领域中。这些研究经常使用不同的数据库、不同的输入变量和不同的验证程序。因此，直接比较模型性能并不简单。在本综述中，2024–2026年期间发表文献的图谱与对数据质量、验证策略、可迁移性、适用域以及模型物理解释的批判性分析相结合。
本综述聚焦于三个主要问题。第一个问题涉及近期文献中代表性更强的流体类别和应用领域。第二个问题涉及机器学习在何种条件下能够提供有用且可迁移的表面张力和界面张力预测。第三个问题涉及与数据来源、计量质量、验证、适用域和物理一致性相关的局限性，这些局限性可能限制模型的更广泛应用。文献计量分析用于描述该领域的结构，而批判性讨论则用于检验评估所提出模型预测与迁移能力所需的证据。
