最近，广东技术大学轻型工业和化学工程学院的教授林小组（Lin Xiaoqing Team）在支持国家密钥R＆D计划和国家自然科学基金会等项目的支持下，在智能猜测低共晶溶剂的智能猜测中进行了重要的研究发展。相关结果已发表在《美国化学工程师学会杂志》（AICHE杂志）上。作为“下一代绿色溶剂”，共晶溶剂被广泛用于分离场，催化，电化学等，因为它们的优势（例如简化的合成，低中毒和更新）。但是，其粘度特性是限制工业应用的主要参数，受到分子和温度组成等因素的显着影响。传统的实验测量和预言方法具有低效率和暴力较差等局限性。响应低共晶溶剂粘度的粘度的技术瓶颈，研究团队具有创新的多尺度粘度预测框架，其中包括消息传递神经网络（MPNN），Graph（GAT）和多层认知者感知器感知器（MLPS）注意机制。该模型使用物理和化学特性，例如微笑分子结构和温度作为输入。它通过MPNN捕获了化学分子的化学键的局部特性，并使用肠道专注于主要子结构（例如供体/氢键）来产生全球分子表示。结合宏观的物理和化学特性，例如预测的密度，粘度的量是MLP非线性变化的TUMPPO输出。 5790共晶溶剂样品数据集的验证表明，该模型预言的准确性高达R2 = 0.9945，平均完全相对的孩子偏差（AARD）仅为2.69％，这显着为比传统的学习机器等传统模型，例如随机森林（RF）（SVR）。它还在极端粘度值（例如高粘度样品）中显示出很强的灵活性，这有效地解决了新的共晶溶剂粘度的总体概括不足的问题。除了高准确性的预言之外，研究团队还通过检查Theshape的解释性来衡量研究团队的衡量，例如分子能量和重分子原子重量在粘度中的影响，这是theShape的解释性，这为理性设计具有特定性质和粘度和绿色特性的低使用溶剂的基础。将来，团队将计划从模型效率的优化方向加深研究，扩大了多隔热预测，开发实验性计算的闭环和开发友好的接口，并促进针对绿色溶剂的设计和工业应用中数据驱动方法的深入实施。ations。相关论文信息：https：//dii.org/10.1002/aic.18924