深共熔溶剂筛选不再只靠量子化学：TiNN把氢键网络拆成两步，实测溶解度误差从23倍降到约1.5倍
核心概要
深共熔溶剂由氢键受体、氢键给体与溶质共同构成多层氢键网络，其溶解度难以从单个组分的性质直接推断。TiNN把这一过程拆成先形成受体—给体环境、再容纳溶质的两级表示，并用学到的自由能通路约束温度与压力响应，在938条记录上取得测试集 为0.917。在葡萄糖、木聚糖与Kraft木质素于酸性、碱性、中性深共熔溶剂中的新测量里，TiNN把溶解度的几何平均倍数误差从COSMO-RS的23倍以上降到约1.5倍。
深度剖析
深共熔溶剂的溶解度预测改为按“先形成氢键受体—给体环境、再容纳溶质”的顺序建模，而不是把受体、给体和溶质当作彼此独立的输入一次性拼接。 此前的机器学习模型通常把各组分的分子描述符拼接，或把独立编码的受体与给体按固定摩尔比组合，温度和压力也只当作普通特征。 在碳水化合物溶质子集上，预测从MLP基线到采用拼接输入的热力学模型、再到完整的两级表示TiNN逐步改善；完整TiNN在测试集上 为0.917，MAE为0.126，RMSE为0.242。
模型用一条学到的自由能通路把分子表示与随温度、压力变化的溶解度响应连接起来。 直接由系统表示映射到溶解度会把温度当作普通描述符，不对温度响应施加约束。 训练数据为938条深共熔溶剂—溶质溶解度记录，按溶质分层划分为约72%训练、13%验证、15%测试；在81个不同受体—给体配对上做留一配对交叉验证，TiNN保持对角的一致性分布，而MLP基线出现向平均值回归的水平带。
氢键相容性信号的作用取决于溶质类型，模型在氢键主导溶解时使用它，在其他机制主导时基本不用。 把该信号置零与保留原值在完整测试集上 相差不超过0.023，而把该信号在溶质对之间打乱后 下降0.217。 在碳水化合物与木质素衍生物子集上，保留原值比置零高0.046、比打乱高0.412；在CO2、SO2、H2S气体子集上，保留原值与置零无法区分。
在未用分级数据训练的情况下，同一套分子溶剂化信息仍能区分对玉米秸秆中木质素和半纤维素脱除能力高与低的深共熔溶剂。 COSMO-RS在九个深共熔溶剂—溶质体系上的 尺度MAE至少为1.37，TiNN为0.18。 九个体系为葡萄糖、木聚糖与Kraft木质素在ChCl:乳酸、TBAB:咪唑与ChCl:甘油中于323.15 K、101.325 kPa、给体与受体摩尔比2:1的测量；玉米秸秆分级在373.15 K、生物质与溶剂质量比1:40下测试五种溶剂，中间溶剂的顺序未被完全复现。
启示与展望
已展示的范围是938条深共熔溶剂—溶质溶解度记录上的训练与测试、81个受体—给体配对的留一交叉验证，以及葡萄糖、木聚糖、Kraft木质素在三种酸碱性不同的深共熔溶剂中的新测量和五种溶剂对玉米秸秆的分级实验；面向的是从事溶剂筛选与生物质分级的化学与工程读者。
木聚糖的绝对溶解度被低估，可能部分来自其多分散性在模型中被理想化分子结构代表，以及可用的木聚糖训练数据相对有限；在玉米秸秆分级中，中间溶剂的顺序未被完全复现，模型只正确区分了分级能力最高与最低的溶剂。