11月4日消息，ChemRxiv于11月4日收到一项预印本（DOI: 10.26434/chemrxiv.15011431），由Lawrence KaiQi Yan、Paula Jungwon Choi、Himanshu Kumar、Xiaolu Li与Alicia Kyoungjin An等研究者完成，提出用机器学习逆设计方法开发面向Mg2+/Na+选择性分离的薄膜复合纳滤膜。
研究背景指向资源回收场景：海水淡化产生的浓盐水富含镁等有价元素，回收镁需要膜在截留二价镁离子的同时让占主导的一价钠离子透过——这正是纳滤技术的核心分离难题。通过界面聚合制备的聚酰胺纳滤膜虽被寄予厚望，但其性能受配方与工艺多变量耦合影响，试错式优化效率低下。
团队构建了整合数据集整理、正向性能预测与逆向配方设计的工作流：数据集含1253条文献与实验室自产记录，经清洗、插补并在训练集内通过化学约束的聚合物/溶剂/盐变量置换扩充；优化的极端随机树（Extra Trees）回归模型可预测纯水渗透性、溶质截留率及中间膜性能，测试集决定系数R²均超过0.79。Shapley可解释性分析显示，渗透性主要由配方与工艺变量决定，而截留行为更多取决于溶质种类与电荷及膜致密程度。
在此基础上，研究者以贝叶斯优化配合标量化目标函数开展逆向设计，锁定两种具有良好Mg2+/Na+选择性的膜配方并完成实验验证。
该工作的产业意义在于把纳滤膜研发从「炒菜式」试错转为数据驱动闭环：对水处理与盐湖提镁、浓盐资源化等场景，逆设计工作流可显著压缩新膜配方开发周期，方法论也可迁移至其他分离膜体系。
（来源：ChemRxiv）