机器学习驱动的高能化合物设计：性能预测与新型燃料发现

该论文《基于机器学习的高能化合物分子设计与性质预测》深入探讨了利用机器学习技术在化学工艺领域的创新应用。作者侯放，在天津大学在张香文教授的指导下，针对高能化合物的分子设计和性质预测展开研究，尤其是在2020年5月26日的硕士论文答辩中，展示了其研究成果。 论文的核心内容涵盖了多种神经网络模型，如单层神经网络、多层神经网络和卷积神经网络，这些模型用于处理QM9数据库中的138,850个有机小分子，预测其15种性质，如能量性质（U0、U、H和G）。研究发现，以库仑矩阵及其特征值作为输入，单层和多层神经网络在预测能量性质上表现出很高的精度。而使用完整的库仑矩阵作为输入，深度神经网络能同时准确预测所有分子性质，证明了多层神经网络的层次结构在性质预测中的关键作用。 论文进一步聚焦于碳氢燃料的设计和研发，提出了一个基于机器学习的高效方法，可以预测和进行高通量筛选。这种方法通过设定关键燃料性质的阈值，成功从319,895个碳氢化合物分子中筛选出28个高性能分子，这些新型化合物具有高密度、高比冲、高质量热值和低冰点，对于合成新一代高密度碳氢燃料提供了理论依据。 此外，论文还探讨了机器学习在含氮化合物爆轰性质预测方面的应用，构建了一个包含436个含氮化物的数据集，旨在加速新型含氮炸药材料的研发。这种快速预测方法对于推动材料科学的进步具有显著价值。 这篇硕士论文展示了机器学习在高能化合物设计、性质预测以及燃料和炸药材料筛选中的潜力，不仅提高了研发效率，降低了成本，而且为新型材料的发现和优化提供了强有力的工具。通过这一系列的研究，作者不仅深化了对机器学习在化学领域应用的理解，也为实际工业生产中的高能化合物设计提供了实用的策略。