离子液体折射率的鲁棒建模：迈向可解释和可理解的基于化学结构的机器学习框架

《Digital Chemical Engineering》：Robust Modeling of Refractive Index of Ionic Liquids: Toward Explainable and Interpretable Chemical Structure-Based Machine Learning Frameworks

　　

离子液体（ILs）是一类有前景的可持续溶剂，因其可忽略的蒸气压、高热稳定性和化学稳定性以及卓越的可调性。这些独特的物理化学性质吸引了工业和学术领域的广泛关注，尤其在催化、分离过程、电化学系统和绿色化学中。在ILs的关键性质中，折射率（RI）是一个重要的光学参数，反映分子相互作用、纯度和溶解行为。然而，RI的实验测定通常昂贵且耗时，特别是对于涉及大量IL结构在不同条件下的数据集。在本工作中，研究人员采用了三种机器学习（ML）技术，包括极端随机树（ET）、埃尔曼神经网络（ENN）和级联前馈神经网络（CFNN），基于包含超过6000个实验数据点（覆盖483种IL结构）的综合数据集来预测ILs的RI。CFNN模型表现出最佳性能，实现了均方根误差（RMSE）为0.0020，决定系数（R²）为0.9977。与一些近期研究依赖不同大小的数据集且主要关注预测精度不同，本工作确保了一个更全面的框架，集成了多种互补的ML架构，并辅以彻底的可解释性和物理一致性分析。特别是，本研究超越了精度提升，通过整合基于SHAP的可解释人工智能（XAI）、详细的趋势分析和基于杠杆值的适用域评估，确保了预测的透明性和可靠性。所提出的CFNN框架为加速绿色溶剂工程中的IL筛选、设计和应用提供了可靠且透明的工具。

**离子液体折射率预测的鲁棒机器学习框架：可解释性与物理一致性研究解读**

**1. 研究背景与问题**

离子液体（ILs）作为一类由阴阳离子组成的室温熔融盐，因其极低的蒸气压、高热化学稳定性及结构可调性，在绿色化学、催化、分离和电化学等领域展现出广泛应用前景。折射率（RI）是表征ILs分子间相互作用、纯度及溶解行为的关键光学参数，其实验测定往往成本高昂且耗时，尤其当面临涵盖数百种IL结构及多种温变条件下的海量数据时。近年来，机器学习（ML）方法被用于预测ILs的RI，但已有研究多侧重于提升预测精度，普遍忽略了模型的可解释性、输入变量影响机制的物理一致性验证以及预测域外的可靠性评估。为此，研究人员提出一种集成了多种ML架构、可解释人工智能（XAI）及严格物理验证的综合建模框架，旨在实现高精度且透明可靠地预测ILs的RI。该成果发表在《Digital Chemical Engineering》。

**2. 主要关键技术方法**

本研究基于源自美国国家标准与技术研究院（NIST）离子液体数据库（SRD#147 v2.0）的公开数据集，包含483种纯ILs的6098个实验数据点。输入特征包括温度（T, K）、波长（λ, nm）及38个源自阳离子/阴离子化学子结构的描述符。采用三种ML方法：级联前馈神经网络（CFNN）、埃尔曼神经网络（ENN）和极端随机树（ET）。CFNN通过级联结构增强信息传播，使用Levenberg-Marquardt算法优化训练；ENN利用上下文单元处理时序依赖性；ET引入随机分裂点提升泛化能力。超参数通过试错法调优，数据以80/20比例随机分割为训练集和测试集，并实施5折交叉验证及10次随机分割测试以评估鲁棒性。模型评估采用决定系数（R²）和均方根误差（RMSE），可解释性分析基于SHAP（SHapley Additive exPlanations）框架，适用域评估通过杠杆值（Williams plot）实现。

**3. 研究结果**

**模型性能评估**：通过散点图、小提琴图和累积频率图对比三种模型。CFNN在训练和测试阶段均展现出最优的预测精度，其散点图沿45°线高度集中，相对误差（RE）分布最窄（主要集中在-2%至2%之间），且超过90%的数据点的绝对相对误差（ARE）低于0.16%。统计指标显示，CFNN在测试集上达到R²=0.9977，RMSE=0.0020，优于ENN（R²=0.9969，RMSE=0.0022）和ET（R²=0.9942，RMSE=0.0031）。

**交叉验证与鲁棒性**：5折交叉验证显示CFNN的测试R²平均值为0.9902（标准差0.0050），RMSE平均值为0.00395（标准差0.00099）。10次随机数据分割验证进一步证实模型性能高度一致（平均R²=0.9922，平均RMSE=0.0036），表明预测不依赖于特定数据划分。

**趋势验证**：对温度影响的趋势分析显示，CFNN准确捕捉了RI随温度升高而下降的物理规律（热膨胀效应），并复现了两种IL（tributylmethylphosphonium methyl sulfate和1-butyl-3-methylimidazolium tetrafluoroborate）的实验曲线。对波长影响的趋势分析表明，RI随λ增大而减小（正常色散），模型预测与1-ethyl-3-methylimidazolium tetrafluoroborate和1-butyl-3-methylimidazolium trifluoromethanesulfonate的实验行为一致。

**SHAP可解释性分析**：SHAP摘要图显示，对RI贡献最大的三个化学子结构为-F、-B和环状=CH-基团。-F和-B高取值驱动RI下降，归因于氟化阴离子低电子极化率及增加的摩尔体积；环状=CH-基团（含π电子离域）增强RI，因其提高摩尔折射和电子极化率。温度作为关键物理参数，其高取值使RI下降，验证了趋势分析结论。波长对RI的贡献相对较小。

**与现有模型对比**：与Esmaeili等人（2023）提出的CatBoost模型（基于相同数据集，R²=0.9973，RMSE=0.0021）相比，CFNN取得轻微提升（R²=0.9977，RMSE=0.0020）。本工作的主要创新在于通过SHAP可解释性及多维度诊断分析提供了物理透明的建模框架。

**适用域评估**：基于杠杆法的Williams图显示，临界杠杆值H*=0.0192，约94%的数据点位于可靠预测区间内（标准化残差|R|≤3且杠杆值H≤H*），证明CFNN模型适用于广泛的IL系统及操作条件。

**实际应用演示**：在固定温度（313.15 K）和波长（589 nm）下，CFNN模型正确预测了烷基链长增加（从[emim]⁺到[C10mim]⁺）导致RI上升的趋势（因电子极化率增大）。对比含不同阴离子的ILs，[omim][HSO₄]的RI高于[omim][MeSO₄]，归因于[HSO₄]^-更小的摩尔体积和更强的分子间氢键导致的紧密堆积。同时，模型准确反映了RI随温度升高而下降的普遍行为。

**4. 讨论与结论**

讨论部分强调SHAP分析结果与分子极化率、摩尔折射和自由体积等理论一致，验证了模型预测的物理合理性。通过与CatBoost模型的对比，指出本工作不仅追求边际精度提升，更注重构建可解释、透明且物理一致的框架。研究结论指出：（1）CFNN模型以R²为0.9977、RMSE为0.0020的精度超越现有模型；（2）相对误差分布紧密集中于零，证实模型一致性；（3）超过90%的预测值落入极小ARE阈值内；（4）模型准确捕捉了温度和波长对RI的物理趋势；（5）SHAP分析揭示了有意义且可解释的特征影响；（6）杠杆法验证约94%的数据点在模型可靠预测空间内。该框架可以作为加速IL筛选与合理设计的可靠数据驱动工具，未来需在扩展化学空间及预测其他热物理性质方面进一步验证。