近日，课题组2024级硕士生邵奕嘉同学梳理了机器学习（ML）方法在离子液体（ILs）结构-性质关系建模中的应用进展，以“Machine learning-based structure-property modeling for ionic liquids design and screening: A state-of-the-art review”为题发表在《Frontiers in Energy》期刊上（IF=6.2） 随着全球对可持续发展的重视，绿色化学过程与二氧化碳捕集技术对环境友好型溶剂的需求日益增长。离子液体（ILs）作为一类低挥发性、宽液态温度范围、高热稳定性的新型溶剂，凭借其“可设计性”，在绿色化学、碳捕集、催化反应及电池电解质等领域展现出巨大潜力。然而，ILs的化学空间极为广阔，理论上阴阳离子组合可达1018种，传统筛选方法存在成本高、效率低、难以处理复杂体系等局限，无法满足实际应用对多性能ILs的快速筛选需求。 在此背景下，机器学习（ML）作为一种数据驱动的方法，通过挖掘实验与理论计算数据中的规律，能够高效构建非线性模型，预测ILs性质并揭示隐藏的结构-性质关系，为突破传统方法瓶颈提供了新路径。本文总结了ML在ILs研究中的应用进展，明确了不同ML方法的适用场景，并探讨了关键挑战与解决方案，其一，模型选择需根据数据规模与任务复杂度调整——大数据场景下推荐使用DNN或GNN，小样本则优先使用SVM或GPR；其二，模型可解释性不足，需结合MD、DFT等理论计算补充分子层面的物理机制；其三，多目标优化需求，需通过多任务学习或帕累托前沿分析实现多性能协同优化。为ILs的精准设计与多目标优化提供了理论指导。 
|