长久以来，环境功能材料的研发主要依赖文献调研和实验试错相结合，这种研究范式不仅耗时费力，而且成本高昂。环境功能材料实现水污染控制优良性能，主要依托于材料-污染物-水环境的相互作用，而三者的特征多样性和多变性致使交互作用机制复杂无序，难以充分精确解析其中构效关系以实现环境功能材料设计的科学指导。此外，环境功能材料设计还需要考虑其水中稳定性、耐污染性等多种目标特性。影响特征多样及目标特性众多致使水污染控制领域中环境功能材料精确匹配设计依然面临巨大挑战。近年来，随着计算材料学和人工智能(AI)快速发展，数据+知识双驱动的环境功能材料设计获得广泛关注。机器学习算法能够处理复杂的非线性关系，发现高维数据中的模式和规律，主动从数据中提取隐藏的关键特征，并且具备较强的泛化能力和迭代优化能力。这些优势有望解决环境功能材料发展中设计空间巨大、构效关系复杂等关键共性难题。
近年来，机器学习技术已经逐渐渗透到环境功能材料设计的各个方面，例如性质预测、合成预测、知识发现等。然而，当下主要获得针对环境功能材料目标特性的关键影响特征，如何基于生成式模型，根据对材料性能的需求，逆向设计材料的成分和结构依然是一个难点。张炜铭课题组前期工作（Separation and Purification Technology 339 (2024) 126732）中发现MOFs具有的拓扑调控和独立羧基配位可以增强Pb2+吸附，并筛选出HKUST-1能够高效吸附水中Pb2+。但是，该研究成果是基于构效关系提出材料筛选策略，尚未实现环境功能材料的逆向结构设计。
近期，南京大学环境学院张炜铭教授课题组首次通过机器学习辅助的材料基因组方法（MGA）来精确设计高效吸附剂。以高效捕获ReO4−为研究案例，开发一种耐酸且具有极快动力学和高选择性的多目标皆优的新型吸附剂。首先，收集了针对ReO4−吸附的文献数据集，鉴于 ReO4−吸附数据有限且训练样本与特征比 (SFR) 较低，扩充了其类似含氧酸的数据，再通过特征距离相似性融合方法，对扩展数据进行加权，在数据缺失的情况下采用中值插值法进行估算。据此建立了ReO4−捕集吸附剂的新版数据集，以此为基础开发了 ML 模型，由吸附剂结构和水环境特征精确预测吸附量，从而推测和筛选了通过 MGA 获得的 2450 种虚拟吡啶聚合物，并发现卤素官能化可以提高其综合吸附性能。在上述预测指导下合成的两种新型卤素官能化吡啶聚合物（F-C-CTF 和 Cl-C-CTF）表现出优异的耐酸碱性和对 ReO4−的选择性，吸附容量分别达到 940.13 mg g-1（F-C-CTF）和 732.74 mg g-1（Cl-C-CTF），其综合性能优于现有文献报道的吸附剂。实验表征和密度泛函计算表明卤素官能化能与ReO4−形成卤素键作用，进一步证明了筛选和预测结果的理论合理性。该研究结果为ML 辅助 MGA精准设计新型吸附剂的研究范式创新提供了借鉴。
上述研究成果以“Machine-Learning-Assisted Material Discovery of Pyridine-Based Polymer for Efficient Removal of ReO4−”为题，近日在线发表于环境领域权威学术期刊Environmental Science & Technology上（https://doi.org/10.1021/acs.est.4c03686）。南京大学环境学院博士生袁岭为论文第一作者，张炜铭教授为通讯作者。研究得到了国家自然科学基金（21925602，52070096，U22A20403）的资助。
