祝贺课题组硕士研究生吴婷在化工领域顶级期刊《AIChE Journal》上发表最新研究成果
点击次数：
近日，课题组在低共熔溶剂（DES）物性预测与人工智能建模交叉领域研究取得重要突破，构建了一种融合图神经网络（MPNN-GAT）与多层感知机（MLP）的多尺度黏度预测模型，在不依赖实验测量的条件下，实现了DES黏度的高精度预测（R²=0.9945，AARD=2.69%），在模型准确性、通用性与可解释性方面均取得显著提升。该研究成果以“Multiscale exploration of informative latent features for accurate deep eutectic solvents viscosity prediction”为题发表在化工领域顶级期刊《AIChE Journal》上。
【论文解读】
1. 研究背景：高黏度成绿色溶剂“卡点”
DES因其合成简便、低毒、可再生、生物可降解等优点，被誉为“下一代绿色溶剂”，广泛应用于提取、分离、电化学与催化等场景。然而，DES的高黏度强烈影响其在化学反应和分离的传质过程。对于不计其数的可设计溶剂而言，纯粹靠实验测量来确定其黏度在经济和技术上都是不合理的。传统黏度预测方法如Arrhenius模型、分子动力学模拟存在建模复杂、参数依赖强等局限，亟需一种如图1能够端到端处理、自动学习分子特征的机器学习框架。
图1 端到端预测DES黏度的机器学习框架图
2. 研究思路：“结构+性质”多尺度融合模型架构
该研究首次构建了一种融合分子结构图学习、宏观物性输入与解释性分析的AI建模框架如图2所示。
图2 模型框架结构图
核心包括以下三层设计：
（1）分子结构编码
利用SMILES表达式生成分子图，引入消息传递神经网络（MPNN）与图注意力机制（GAT），自动学习原子之间的连接方式、键类型和局部拓扑信息，提取关键子结构特征。
（2）宏观物性融合
在模型输入中，特别引入了预测得到的密度特征，以捕捉分子混合后的整体行为特性。关于密度的预测，该作者团队此前发表于《Computers & Chemical Engineering》的研究成果“ChemBERTa embeddings and ensemble learning for prediction of density and melting point of deep eutectic solvents with hybrid features”，采用ChemBERTa嵌入结合集成学习方法对DES密度与熔点进行建模，可以为本研究提供技术支撑。
（3）多层感知回归网络
使用多层感知机（MLP）对结构特征与物性特征进行融合回归，最终输出黏度预测值。该模型结构避免了传统方法对人工特征工程的依赖，具有更强的泛化与迁移能力。
在涵盖5790组不同温度、不同类型DES的实验数据集上，所提模型展现出极高的预测精度：决定系数R²=0.9945，平均相对误差AARD=2.69%，显著优于对比模型（如XGBoost、SVR、RF等）。如图3所示，尤其在极高黏度区间和边界温度条件下，模型仍保持良好的稳定性与准确性。
图3 DES黏度预测的残差和误差分析。（A）不同DES类型和黏度范围的残差分布。（B）不同DES黏度范围的黏度预测残差分布。（C）不同温度条件下的黏度预测残差分布。（D）不同DES类型的预测误差箱线图。（E）不同黏度范围的预测误差箱线图。（F）不同温度区间的预测误差箱线图。
3. 模型解释能力：从“黑箱”到“可解释”
为增强模型透明性，研究引入SHAP值分析方法，量化不同分子特征对黏度预测的贡献度如图4所示。结果显示：极性相关官能团（如-OH、-COOH）、分子间氢键作用强度、密度与温度协同效应是影响DES黏度的主要因素。
图4 在不包含图特征的MPNN-GAT-MLP模型中对关键特征贡献和影响的SHAP分析。（A）特征贡献图：关键特征在MPNN-GAT-MLP模型预测中的重要性。（B）SHAP蜜蜂群图：主要特征对MPNN-GAT-MLP模型预测的影响分布。
4. 小结与展望
该研究以AI模型为桥梁，打通了从分子结构理解到宏观性能预测的多尺度通道，为绿色溶剂体系的定向设计、快速筛选与工业推广提供了新路径。未来，该模型框架有望推广至其他关键物性（如表面张力、电导率等），推动绿色化工从经验驱动走向数据驱动与智能决策。
第一作者：
吴婷，广东工业大学轻工化工学院2023级化学工程专业硕士研究生，师从林晓清教授。2019-2023年于广东工业大学获得化学工程与工艺学士学位。研究方向：低共熔溶剂智能筛选与设计研究。以第一作者在AIChE Journal, Computers & Chemical Engineering发表SCI论文2篇。链接：https://github.com/tingtingwuwu
【致谢】
本项目获得以下资助支持：国家自然科学基金（21978053，51508547），国家重点研发计划（2023YFB4203603），广东省重点领域研发项目（2020B0101070001）。
原文链接：
Multiscale exploration of informative latent features for accurate deep eutectic solvents viscosity prediction
https://aiche.onlinelibrary.wiley.com/doi/full/10.1002/aic.18924
ChemBERTa embeddings and ensemble learning for prediction of density and melting point of deep eutectic solvents with hybrid features