基于机器学习的配体筛选方法，用于从其他竞争性金属离子中选择性分离镓（III）

《Separation and Purification Technology》：Machine learning–guided ligand screening for selective separation of gallium (III) from competing metal ions

　　• 对六种经典的机器学习（ML）模型进行了金属-配体稳定性常数的基准测试。
• GPR模型在两个独立的外部测试集上取得了最佳性能。
• GPR筛选了约4500种配体，识别出具有选择性结合Ga3+的候选配体。
• 结合密度泛函理论（DFT）和ML可以提高预测Ga3+选择性的准确性。
• GPR和DFT预测硫供体配体具有增强的Ga3+/Fe3+选择性。

引言
镓（Ga3+）是一种关键的元素[1][2]，因为与其他原材料相比，它的供应风险较低且经济重要性较高。它在现代技术中发挥着重要作用，特别是在半导体制造、发光二极管（LEDs）[3][4]、高效光伏电池、高频电子设备以及下一代通信系统[5][6]中。基于镓的材料，如氮化镓（GaN）和砷化镓（GaAs），广泛应用于5G网络、电力电子和光电子应用中，使其在各种高科技行业中不可或缺。
Ga3+通常不是以单一矿物的形式存在，而是主要作为铝（Al3+）和锌（Zn2+）提取的副产品获得[7][8][9]，通常来自铝土矿（<50 ppm）[10]和闪锌矿。尽管其重要性凸显，但目前的提取过程效率很低，只能回收少量可用的Ga3+。铝土矿中只有10%的Ga3+被提取出来，而且只有15%的精炼厂具备回收Ga3+的能力[10][11]。此外，98%的全球Ga3+产量来自一个国家[12]，这加剧了开发更高效、可扩展的提取和回收方法的需求，以确保稳定的供应。
在各种分离策略中，基于配体的液-液萃取（LLE）是最实用的方法之一，能够实现Ga3+向有机相的选择性络合和转移。然而，特别是高浓度的Al3+、Zn2+和Fe3+的存在限制了选择性提取。由于Ga3+和Fe3+的离子半径（分别为62 pm和63 pm）和氧化状态几乎相同，导致它们的配位化学性质类似，因此开发对Ga3+具有优先亲和力的配体对于提高分离效率、降低成本和增强过程可持续性至关重要。
控制萃取过程的平衡常数可以正式表示为多个贡献平衡的乘积，其中一个平衡代表了水相中金属-配体络合的强度[13]。这通常称为稳定性常数（β?），如方程（1）所定义：
Mx+aq + nLigy?aq ? MLign?ny?x → Mx+Ligy?n
整体萃取效率还受到配体和金属-配体复合物在水相和有机相之间的分配系数（P）以及有机相中发生的其他平衡的影响，这些平衡通常比水相中的更复杂，可能涉及离子配对、配体再质子化以及水和酸的共同提取[13]。尽管如此，稳定性常数仍然是评估萃取剂的一个有用指标，因为它直接反映了金属-配体复在水相中的内在稳定性[13]。当其他变量（如配体溶解度、分配系数和酸的共同提取）在配体系列中大致保持不变时，β?仍然可以作为萃取性能的可靠指标。在本工作中，我们旨在识别能够与目标金属离子形成强内球络合物的配体，并认识到其他影响因素（如亲脂性）的优化将在后续研究中进行探讨。
大量关于不同系统中稳定性常数（β?）的实验数据为定量建模提供了坚实的基础。特别是经验模型被开发出来，将各种热物理性质（金属和配体）与实验稳定性常数相关联，常常揭示出配体中的特定化学基团与其对应的β?值之间的线性关系[14][15][16]。然而，这些经验模型的适用范围有限，因为它们通常只适用于一类配体。这一局限性突显了需要更通用和适应性更强的方法来模拟不同配体类别的选择性。
使用簇模型表示反应物和产物的量子化学计算是另一种预测β?的方法。然而，这些方法计算成本高昂且存在固有的局限性[17]。虽然内球金属离子的配位被明确处理，通常涉及与配体和周围水分子的直接结合，但外球环境通常使用隐式溶剂模型来近似。这种简化可能会限制计算出的稳定性常数的准确性，因为它忽略了特定的溶剂-溶质相互作用和动态氢键网络。因此，通常需要额外的经验修正来将计算预测与实验数据进行校准[17][18][19]。包括更详细的水分子可以提高准确性，但引入了新的挑战，如需要对不同电荷、大小和几何形状的金属-配体复合物中的弱结合水分子进行广泛的构象采样。
数据驱动的方法，尤其是机器学习（ML），通过从多样化的数据集中学习复杂模式，提供了一种可扩展和通用的方法来预测金属-配体β?值，克服了传统方法的局限性[17]。之前已经使用了多种ML模型来预测稳定性常数。例如，Tongyu等人[20]应用深度神经网络（DNN）来预测镧系金属在液-液萃取中的分配系数（log D）。Chaube等人[21]应用了一个用700种配体和15种镧系金属阳离子训练的AdaBoost模型来预测镧系金属-配体复合物的logβ1。Federico等人[22]使用基于图的网络模型来预测镧系金属和过渡金属-配体复合物的logβ1。这种基于图的模型特别使用金属-配体复合物结构作为输入。在实践中，这存在局限性，因为溶液中的配体通常存在多种构象，并可能通过不同的结合模式进行配位。因此，准备合适的结构输入需要额外的假设，当构象数据未知时，基于图的模型的实际应用受到限制。
此外，大多数现有的ML工作仅专注于预测logβ1，对更高阶的稳定性常数（logβn，n > 1）关注较少。最近，Kiato等人[23]开发了一种两步高斯过程回归（GPR）模型：第一个模型预测logβ1，第二个模型使用预测的logβ1值作为输入来估计更高阶的常数。然而，这种架构可能会引入累积误差，并通过需要两个独立的模型而增加实施复杂性。此外，将第一阶和累积稳定性常数视为单独的预测任务忽略了它们共同的物理化学基础，降低了数据效率并限制了学习到的化学表示的转移性。迄今为止，还没有一个统一的ML框架能够使用单一的基于描述符的模型准确预测多种金属和配体类别的第一阶和更高阶稳定性常数。此外，这些模型的实际应用在分离过程中的应用仍大部分未得到探索。重要的是，这些ML方法的预测结果尚未经过从头算计算的交叉验证，而从头算计算可以提供一种独立的方法来验证络合趋势，帮助识别模型中的系统误差，并最终提高预测的可靠性和通用性。
在这项工作中，我们开发了一个统一的ML框架，通过包含配体数量（nL）作为描述符来预测1:n金属-配体复合物（n = 1, 2, 3, …）的logβ?值。我们整理的数据集包含了2339个Ga3+、Fe3+、Al3+和Zn2+复合物与多种有机配体的实验稳定性常数，这些金属离子被选为代表工业过程中Ga3+分离的主要竞争阳离子。我们使用配体、金属和金属离子的物理化学和拓扑特征训练并基准测试了多种经典的ML算法，包括Extra Trees（ET）、随机森林（RF）[24]、核岭回归（KRR）[25]、多层感知器（MLP）[26]、高斯过程回归（GPR）[27]和AdaBoost（AB）[28]。然后，我们将表现最佳的模型（GPR）应用于NIST数据库中的4258种配体，以筛选具有选择性结合Ga3+的配体，并进一步使用密度泛函理论（DFT）评估选定的候选配体。这种ML-DFT方法不仅重新发现了已知的工业萃取剂，还识别出新的改性配体，这些配体预计表现出更高的Ga3+选择性。这种ML-DFT方法为指导关键材料选择性分离的配体合理设计提供了一个通用的框架。

初始数据生成
为了提取金属-配体复合物的稳定性常数，我们使用了NIST[29]稳定性常数数据集，这是一个包含各种金属离子与不同配体结合的实验得出的稳定性常数（以对数单位表示）的综合性资源。该数据集涵盖了涉及不同金属离子的各种平衡反应。由于本研究专注于Ga3+的分离，我们还在数据集中包含了Fe3+、Al3+和Zn2+的复合物。

模型训练和交叉验证性能
首先使用重复交叉验证（5折交叉验证，重复5次）在训练数据集上评估了六种机器学习模型的预测性能。在每次交叉验证分割中，模型在训练数据的一个子集上拟合（“训练”误差），然后在外部保留的数据上评估（“验证”误差），从而提供了对未见数据的性能估计。图2比较了优化后的MLP、GPR、ET、KRR、RF的平均训练和验证均方绝对误差（MAE）。

结论
在这项研究中，我们开发了一个基于机器学习（ML）的框架，用于预测涉及Ga3+、Al3+、Zn2+和Fe3+的金属-配体复合物的稳定性常数（logβ?）。这是首次系统地对几种经典ML模型进行稳定性常数预测的基准测试，适用于三价Ga3+和代表性过渡金属。使用2339种配体的数据集，我们训练了6种ML模型，其中高斯过程回归（GPR）表现出最佳的预测性能。

作者贡献声明
Shubhojit Banerjee：数据整理、形式分析、研究、方法论、软件、可视化、初稿撰写、审核与编辑。
Debmalya Ray：形式分析、研究、初稿撰写、审核与编辑。
Luke D. Gibson：形式分析、验证、审核与编辑。
Stephen T. Lam：监督、验证、审核与编辑。
Vyacheslav S. Bryantsev：概念化、资金获取、形式分析、方法论。

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报道的工作。

致谢
SB和VB感谢能源创新中心（Critical Materials Innovation Hub）的支持，该中心由美国能源部关键矿物和能源创新办公室（CMEI）和先进材料与制造技术办公室（AMMTO）资助。本研究使用了位于劳伦斯伯克利国家实验室的国家能源研究科学计算中心（NERSC）的资源，该中心是能源部科学办公室的用户设施，合同编号为DE-AC02-05CH11231。