8月24日消息，一篇提交至arXiv的研究（编号2608.23874）由洛斯阿拉莫斯国家实验室（LANL）Megan C. Davis、Andrew H. Salij、Marc J. Cawkwell等与陆军研究实验室研究者合作完成，提出用差分学习（differential learning）方法解决含能材料热稳定性预测的可靠性难题。

热稳定性预测对含能材料（炸药、推进剂等）的安全储存与操作设计至关重要。但不同实验室因测试协议与分析方法差异，实验测量的分解温度存在显著分歧，使得训练可靠的预测模型十分困难。研究团队另辟蹊径：不直接预测绝对分解温度，而是训练消息传递神经网络预测分子对之间的相对差异。

这一方法降低了对系统性实验误差的敏感性，在异构数据集上实现了超过85%的按热稳定性排序化合物准确率，优于同数据集上的常规回归方法。为理解预测驱动因素，团队还将神经网络模型与基于从头算描述符和化学信息学描述符的可解释模型对比，发现键解离焓是热稳定性排序的关键决定因素，为热分解化学提供了进一步洞见。

差分学习框架在不同模型架构间具有普适性——从图神经网络到经典描述符模型均适用。研究表明，学习相对量而非绝对量是应对实验数据噪声的通用策略，对含能材料乃至更广泛材料信息学中的稳健性能预测具有方法论意义，也可降低新含能分子安全性评估对昂贵危险实验的依赖。 （来源：arXiv）