基于可解释机器学习的纯组分物性预测框架：连接分子结构与热力学性质的创新方法

为解决传统基团贡献法(GC)在纯组分物性预测中存在的非线性相互作用表征不足、新分子适应性差等问题，中国研究团队提出基于可解释机器学习的创新框架。该研究通过连接矩阵(CM)自动生成分子特征，结合随机森林(RF)特征筛选与人工神经网络(ANN)/高斯过程回归(GPR)建模，对沸点(Tb )、临界温度(Tc )等关键物性实现最高83.8%的预测精度提升，并通过SHAP值解析分子结构特征贡献机制，为分子管理提供新工具。

　　

在石油化工行业占全球能源领域5%温室气体排放的背景下，"分子管理"理念成为实现清洁生产的关键策略。然而，传统基团贡献法(GC)面临三大挑战：依赖预设功能基团库导致新分子预测失效，线性模型无法捕捉基团间非线性相互作用，以及分子指纹方法存在特征稀疏性和解释性差等问题。这些问题严重制约了计算机辅助分子设计(CAMD)在优化资源转化效率中的应用。

针对这些瓶颈，中国研究团队在《Chinese Journal of Chemical Engineering》发表研究，提出融合可解释机器学习技术的纯组分物性预测框架。研究采用三步核心技术：首先基于SMILES编码构建连接矩阵(CM)实现原子键合关系的系统表征；其次运用随机森林(RF)对初始13316维特征进行筛选降维；最后采用人工神经网络(ANN)和高斯过程回归(GPR)建立预测模型，并引入SHAP值进行特征贡献度解析。研究数据来源于包含多种有机化合物的标准化数据库，通过条件熵分析验证了CM方法较GC法的表征优势。

分子特征生成与筛选
以间二甲苯为例，研究团队通过切割连接矩阵生成包含一至四阶的原子环境子矩阵，将子矩阵出现频率转化为特征向量。特征分析显示，仅保留100个关键特征即可维持模型精度，实现从13316维到100维的有效降维。

物性预测性能
对沸点(T_b
)、临界温度(T_c
)、临界压力(P_c
)和液体摩尔体积(L_mv
)的预测中，ANN模型测试集均方根误差较GC方法降低83.8%。特别在T_b
预测中，调整后R²
达0.984，证实CM特征对分子间差异的敏感捕捉能力。

特征贡献度解析
SHAP分析揭示不同物性依赖差异化的结构特征：T_b
主要受分支烷基链影响，L_mv
与芳香环堆积相关，而T_c
和P_c
对极性基团敏感。这些发现与化学机理认知高度一致，证实模型具有物理可解释性。

该研究通过创新性融合连接矩阵与可解释机器学习，突破了传统GC方法的表征局限。相比现有技术，该框架具有三大优势：自动化的特征生成避免人工预设基团库的局限性；非线性模型准确捕捉基团间相互作用；SHAP分析提供符合化学直觉的特征解释。这不仅为分子管理提供精准工具，其方法论对混合物重构、过程集成建模等领域也具有重要启示。研究团队指出，未来可进一步拓展至三维分子表征和跨性质迁移学习，推动化学工程领域的智能化发展。