用于含能材料通用爆轰性能预测的主动学习方法

《Chemistry of Materials》：Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials

　　

新含能材料的发现对于从国防到私营工业的技术进步至关重要。然而，实验方法仍然缓慢且昂贵，而计算替代方案则需要通常获取成本高昂的准确材料特性输入，这限制了它们在大范围化学空间中高效预测爆轰性能的能力。研究人员通过一种主动学习策略应对这一挑战，该策略整合了密度泛函理论计算、热化学建模、消息传递神经网络和贝叶斯优化。由此产生的高通量工作流程通过以目标明确的方式选择新分子来迭代扩展训练数据集，从而平衡了对广阔化学空间的探索与对有前景的高性能候选物的利用。该方法从超过700亿个初始候选分子池中，生成了最大的公开可用潜在CHNO炸药数据库，以及一个能够准确预测爆轰性能（R² > 0.98）的通用代理模型。对这一迄今为止最大数据集的特征重要性分析表明，氧平衡是爆轰性能的主要驱动因素，并辅以局部电子结构、密度以及特定官能团存在的贡献。化学信息学分析强调了具有相似性能指标的含能材料倾向于聚集在截然不同的化学空间中，这为未来的合成研究提供了更清晰的方向。总之，该代理模型、数据库以及由此产生的化学见解，为高通量筛选和目标发现跨越化学空间多样且先前未探索区域的新型含能材料提供了宝贵的基础。

**研究背景与动机**
含能材料在现代民用和军事领域（如采矿、建筑及武器系统）中不可或缺。然而，当前广泛使用的含能材料（如TNT、RDX）大多开发于二战前，存在致癌性及合成过程产生有害副产物等健康与环境问题。尽管已开发出一些更安全的替代品（如DAAF、DFP），但自20世纪80年代CL-20被发现以来，爆轰性能的改进已基本停滞，且传统发现流程（如CL-20的研发耗时数十年）进展缓慢。这凸显了传统方法的局限性，并强调了需要能够快速筛选大量候选含能材料的新方法。通过使用准确高效的代理模型大规模评估爆轰性能，可以识别并优先开发高性能化合物，同时也有助于发现具有改进热稳定性、降低感度及增强环境健康与安全等有益次级特性的材料。近年来，机器学习和人工智能方法在化学、材料科学等领域的应用日益增多。高性能计算资源和大数据库的普及，为加速药物发现、材料性质预测等计算方法提供了宝贵支持。考虑到潜在新含能材料存在的巨大化学搜索空间，预测性机器学习模型为加速新分子发现（相对于基于化学直觉的实验试错甚至高通量量子力学计算）提供了令人兴奋的机遇。

**研究方法与技术路径概览**
研究人员开发了一个结合密度泛函理论计算、热化学建模、图神经网络和贝叶斯优化的高通量主动学习工作流程。首先，从剑桥结构数据库等来源筛选出约17，000个具有含能特性的CHNO分子作为初始种子数据集（CSD-17k），并使用Kamlet-Jacobs方程和CHEETAH热化学代码计算其爆速和爆压作为目标值。核心是构建一个消息传递神经网络作为代理模型，用于预测爆轰性能。为了在广阔的化学空间中高效采样并提升模型的泛化能力，采用了基于预期改进采集函数的主动学习策略。该策略从超过700亿个分子的复合库中筛选出约15亿个候选分子，每轮迭代选择约5000个预期改进值最高的分子，通过高通量DFT计算获取其热力学数据并计算爆轰性能标签，然后将其纳入训练集重新训练代理模型。此循环进行了五代，最终得到了包含超过38，000个分子的多样化数据集（AL-38k）和一个高度泛化的代理模型。此外，为了进行可解释性分析，还训练了一个基于梯度提升树回归的模型，使用从分子图计算的拓扑描述符（包括氧平衡、密度、VSA_EState家族描述符、特定官能团计数等）作为输入，并采用SHAP框架分析特征重要性。化学信息学分析则使用原子对指纹和t-SNE降维来可视化和分析化学空间结构。

**研究结果与结论**
1. **爆轰性能计算方法基准验证与数据集分析**：研究人员首先评估了用于计算爆轰性能的两种方法——Kamlet-Jacobs方程和CHEETAH热化学代码。通过将DFT计算得到的ΔHf_solid（结合Mathieu的基团加和法估算升华焓）输入这两种方法，并与约100个实验测量值比较，验证了计算流程的可靠性。CHEETAH显示出更低的平均绝对误差。对CSD-17k数据集的分析显示，绝大多数分子的预测爆速低于6 km/s，凸显了高性能含能材料的稀缺性。系统差异分析表明，CHEETAH倾向于预测更高的平均爆速，这主要源于两种方法在预测含氢和含氮爆轰产物（如H₂、NH₃）分布上的不同，CHEETAH考虑了更广泛的产物列表和不同的元素分配优先级。
2. **分子结构分析**：通过原子对指纹和t-SNE降维对CSD-17k数据集进行化学空间可视化分析发现，具有相似爆轰性能的分子在化学空间中形成聚类。最高性能的分子聚集在两个不同的空间区域，分别对应富含三硝甲基的线性骨架分子和连接的芳香环体系分子，其共同点是富含NO₂基团。而低性能区域分子则缺乏NO₂或其他爆炸性基团，主要包含羰基和骨架杂原子。主亚图挖掘进一步确认了高性能分子中亚结构（如立方烷类笼状结构连接NO₂基团）与低性能分子亚结构（如饱和碳骨架或芳香环）的差异。
3. **主动学习效果**：主动学习循环显著扩展了模型的化学空间覆盖范围和泛化能力。初始模型（Gen 0，基于CSD-17k）在遇到第一代新分子（Gen 1，富含羟基）时预测误差大幅增加。随着第二代和第三代分子的加入，模型对未见样本的预测性能稳步提升。第四代分子（富含1，3-二氧戊环结构）代表了探索性的新化学空间，导致模型误差再次显著上升，但将其纳入训练后，模型在第五代迅速恢复并达到了高预测精度。最终模型在组合测试集上对Kamlet-Jacobs和CHEETAH目标值的预测均表现出色（R² > 0.98）。使用该模型对15亿分子库进行筛选，识别出超过100万个预测爆速高于6 km/s的分子，其中约1万个预测爆速超过7.5 km/s。
4. **特征重要性分析**：基于梯度提升树模型和SHAP分析的特征重要性排名表明，氧平衡是预测爆轰性能（尤其是爆速）的最主导因素，其重要性约为其他描述符的两倍以上。密度是第二重要的因素。VSA_EState6（反映特定电子环境的范德华表面积贡献）排名第三，表明局部电子环境分布对性能有影响。官能团描述符中，NH0 Count（无氢键合的氮原子数）与性能正相关，而C═O Count（羰基数）与性能负相关，后者印证了羰基作为“无效氧”消耗者不利于性能的观点。Hall-Kier α描述符的重要性虽高，但其值与SHAP得分的关系不明确。

**总结与讨论**
本研究开发了一个主动学习框架，能够在广阔的CHNO化学空间内实现爆轰性能的通用预测。该框架产生的代理模型仅需分子图作为输入，其预测精度可媲美CHEETAH和Kamlet-Jacobs方程，但速度却快了几个数量级。通过基于预期改进策略迭代选择新分子并重新训练消息传递神经网络，模型在仅需每代适度增加训练样本的情况下，逐步扩展了其能力域。最终训练集超过38，000个分子，是初始数据集的两倍多，且比先前建模工作中使用的数据集更大、更多样化。因此，该代理模型相对于初始基线显示出显著改进的外推能力，即使在评估先前未探索的分子类别时也能保持高预测精度。这些结果强调了在开发旨在广泛应用的代理模型时，使用化学多样性数据集进行训练的重要性，并凸显了通过迭代训练定向扩展化学空间如何能增强泛化能力，超越静态数据收集所能达到的水平。
此外，本研究通过可解释性分析揭示了支配含能分子理论性能的底层结构-性质关系。特征重要性分析证实氧平衡是爆轰性能的主要驱动因素，密度、局部电子环境以及羰基等耗氧官能团的负向影响也起补充作用。分子指纹的无监督化学信息学分析表明，具有相似爆轰性能的含能材料倾向于在化学空间中聚类，并且高性能可能与多种不同的结构基序相关联。不同形式主义预测的分解产物分析强调了预测爆轰性能对底层化学平衡模型假设的敏感性。
总之，这些结果表明，主动学习为构建能够导航含能材料相关化学景观的快速代理模型提供了一条强大且数据高效的途径。本研究开发的代理模型不仅比基于静态数据集训练的模型更具通用性，而且还与可解释的分析相结合，揭示了未来含能材料开发的可操作设计原则。展望未来，该框架可与分子生成模型自然集成：主动学习训练的代理模型可作为一个快速、可靠的评分函数，直接嵌入到优化循环、强化学习智能体或扩散生成器中，用于提出新颖的CHNO结构。在这种设置下，代理模型作为一个评估引擎，可以快速引导生成模型走向化学可行的高性能候选物。该方法的成功为构建闭环发现工作流程指明了一条清晰的道路，其中生成设计、代理模型评估和有针对性的高保真计算协同运作，以加速下一代含能材料的识别。