11月5日消息，arXiv（编号2611.06590，11月4日提交）发表由KAUST（沙特阿卜杜拉国王科技大学）S. Mani Sarathy团队完成的研究：作者Yanpeng Ye、Chaoran Duan、Mian Xu与Sarathy开发了名为TiNN（thermodynamics-informed neural network）的热力学信息神经网络，用于刻画深度共熔溶剂（DES）中的层级氢键网络。

深度共熔溶剂是氢键受体（HBA）与氢键供体（HBD）混合形成的低共熔绿色溶剂，具有可调、低毒、易制备等优点，被视为木质纤维素生物质精炼与分离过程中传统离子液体的替代方案。但其溶解与分离行为由多组分氢键网络整体决定，而非各组分性质简单加和——传统机器学习模型将DES当作单一分子处理，难以外推到新组合。

TiNN的创新在于将热力学约束嵌入网络结构：层级化地表征HBA-HBD缔合自由能路径与溶质在氢键网络中的容纳过程。在938条实验记录训练后，模型测试集R2达0.917，并能泛化到训练集中未出现过的HBA-HBD组合与稀疏数据条件。消融分析表明，溶质特异性稳定化能是预测精度的最大贡献项，而氢键兼容性的重要性取决于溶解机制类型。

意义：该工具可直接用于生物质精炼、药物增溶与气体捕集等场景的DES高通量虚拟筛选，降低配方试错成本，是人工智能赋能化学在绿色溶剂工程方向的代表性应用。该工作为预印本，尚未经同行评审。 （来源：arXiv）