近日，广东工业大学轻工化工学院教授林晓清团队在国家重点研发计划、国家自然科学基金等项目的资助下，在低共熔溶剂黏度智能预测研究方面取得重要进展。相关成果发表于《美国化学工程师协会期刊》（AIChE Journal）。

低共熔溶剂作为“下一代绿色溶剂”，因合成简便、低毒可再生等优势，在分离、催化、电化学等领域应用广泛。然而，其黏度特性作为制约工业应用的核心参数，受分子组成、温度等因素影响显著，传统实验测量与预测方法存在效率低、泛化性差等局限。

针对低共熔溶剂黏度预测的技术瓶颈，研究团队创新性构建了一种融合消息传递神经网络（MPNN）、图注意力机制（GAT）和多层感知机（MLP）的多尺度黏度预测框架。该模型以SMILES分子结构及温度等理化性质为输入，通过MPNN提取分子局部化学键相互作用特征，借助GAT聚焦氢键供体/受体等关键亚结构生成全局分子表示，再结合预测密度等宏观理化性质，经MLP非线性变换实现黏度值精准输出。

在5790个低共熔溶剂样本数据集上的验证显示，模型预测精度高达R²=0.9945、平均绝对相对偏差（AARD）仅2.69%，显著优于随机森林（RF）、支持向量回归（SVR）等传统机器学习模型，且对极端黏度值（如高黏度样本）表现出强适应性，有效解决了新型低共熔溶剂黏度预测泛化能力不足的问题。

除高精度预测外，研究团队进一步通过SHAP可解释性分析，量化了分子能量、重原子分子量等关键特征对黏度的影响，为理性设计兼具特定黏度属性与绿色特性的低共熔溶剂奠定了基础。未来，团队计划从优化模型效率、拓展多性质预测、构建实验-计算闭环及开发友好界面等方向深化研究，推动数据驱动方法在绿色溶剂定向设计与工业应用中的深度落地。

相关论文信息：https://doi.org/10.1002/aic.18924