11月1日，美国化学工程师协会期刊（AIChE Journal）发表了大连理工大学化工学院都健教授团队在“机器学习加速预测分子表面电荷密度分布及其在化工反应与传质中的应用”方面取得的突破性进展。该成果提出了基于机器学习的原子贡献法，通过利用高维的神经网络模型与立体的加权原子中心对称函数描述符，构建了可快速预测分子表面电荷密度分布（σ-profiles）的代理模型，σ-profiles作为类导体屏蔽片段活度系数模型（COSMO-SAC）的输入，可预测活度系数等溶剂性质，并将其和计算机辅助分子设计方法（CAMD）集成，实现了反应溶剂与结晶溶剂高通量反向（从物性到结构）优化设计的目标。基于机器学习的原子贡献法示意图如图1所示。该成果发表在化学工程领域TOP期刊AIChE Journal, 。

图1. 基于机器学习的原子贡献法示意图

课题组之前和产品设计相关的三项研究成果（计算机辅助分子设计方法（CAMD）、反应溶剂、结晶溶剂）为此次研究工作奠定了基础。针对分子设计问题，课题组提出了计算机辅助分子设计方法（CAMD），开发了基于混合整数非线性规划数学优化模型与分解式求解策略的OptCAMD工具，可离线反向优化设计满足特定目标函数与性质约束的溶剂分子结构，并已申请软件著作权：OptCAMD基于数学优化模型的高通量化工分子产品设计软件(2019SR0734574)，批准号[04254458]，论文成果发表在JCR一区Computers & Chemical Engineering, 2019, 124, 285-301, ，并受邀在Current Opinion in Chemical Engineering期刊（IF = 4.088）发表产品设计综述文章 (2020, 27, 22-34, )。

关于反应溶剂建模问题，课题组针对液—液均相有机反应与液—液异相有机反应，分别考察了溶剂化效应（化学层面）和传质作用（物理层面）对反应动力学速率k和反应体系浓度分布的影响，实现了快速、准确、定量调控反应效率的目标，同时也考虑了反应溶剂的惰性问题，利用反应位点模板与基于基团贡献法的反应热力学模型，实现快速、准确、定量预测反应溶剂与反应体系（反应物与产物）热力学平衡常数K的目标，从而判断反应溶剂是否为惰性。前两项成果均发表在化学工程领域TOP期刊Chemical Engineering Science (2019, 202, 300-317, ; 2020, 226, 115894, )，反应溶剂惰性研究成果发表在化学工程领域期刊Chemical Engineering Research and Design (2019, 152, 123-133, 。

此外，关于结晶溶剂建模问题，课题组针对冷却结晶过程，建立了考虑过程、溶剂性质、产品质量、成本、定价、经济、环境等因素的大宗产品设计（GPD）模型，针对不同的结晶过程给出相应的模型求解策略，最后以2-巯基苯并噻唑（MBT）结晶过程为例，以纯度和收率为目标函数，通过建立并求解GPD模型，最终得到满足要求的结晶溶剂，该项研究目前实现了工业化应用，研究成果发表在JCR一区Computers & Chemical Engineering, 2020, 135, 106764, 。

上述研究成果第一作者包括张磊副教授、博士生刘奇磊、博士生柴士阳，通讯作者为都健教授、张磊副教授。研究工作得到了国家自然科学基金项目（No. 22078041、No. 21808025）和中央高校基本科研业务费专项资金资助（No. DUT20JC41）的支持。