南京工业大学张遵民教授团队 Precision Chemistry｜图神经网络精准预测CO₂在物理溶剂中的溶解度

背景：在全球碳减排与“双碳”目标的推动下，工业源CO₂的高效捕集与分离成为重要课题，物理溶剂吸收法因再生能耗低等优势被广泛采用，但溶剂筛选与设计面临效率瓶颈。研究目的：南京工业大学张遵民教授团队旨在探讨图注意力网络（GAT）在预测物理溶剂中CO₂溶解度的应用潜力，以在保证预测精度的同时提升模型的化学可解释性。结论：研究构建了包含54种物理溶剂的数据库，比较了多种神经网络模型，发现GAT模型预测精度最高（R²=0.9837），且通过可解释性分析揭示了不同溶剂中影响溶解度的关键结构因素（如醇类中氢键特征呈负向影响，非质子型溶剂中极化率特征呈正向影响），为溶剂的高通量虚拟筛选提供了有效工具。