机器学习指导下高能量嗪类含能化合物的精准设计OA

针对传统含能材料研发模式的高成本与低效率问题,以及嗪类化合物研发中的高能量需求,提出一种机器学习指导下的高能量嗪类含能化合物的精准设计,以快速获取高性能的新型嗪类含能材料;基于嗪类化合物的爆速实验数据,采用25种分子描述符,构建并对比了4种机器学习模型在爆速预测中的表现,并对描述符进行可解释性评估以揭示影响爆速的关键机制;最后基于低感度稠环骨架设计了16种新型嗪类分子,并利用最优模型进行性能预测。结果显示,LightGBM模型在爆速预测中表现最优,平均和最大相对误差分别为1.5%和4.6%;所有新型嗪类分子的爆速均高于RDX或与之相当,其中11种(69%)分子的爆速超越HMX。设计策略验证了机器学习在含能材料研发中的高效性与精准性,显著提升了嗪类材料的能量输出,为开发新型高能炸药提供技术支撑。