基于大语言模型和机器学习模型协作的特征筛选管道助力缓蚀剂精准预测

摘要

从工农业生产到国防科技，材料腐蚀遍及国民经济中的各个领域，严重威胁设施装备服役安全，造成巨大的经济损失，对人类生命健康产生极大的威胁和隐患.金属缓蚀剂能够改变金属表面状态，使电化学反应的活化能垒增高，从而减缓金属腐蚀速率.缓蚀剂具有低剂量、低成本、高效率等优点，因此成为应用最广泛的腐蚀抑制手段之一.然而，缓蚀剂的种类多样，作用机制复杂，且与环境因素密切相关.传统的腐蚀研究方法，比如失重测试和电化学测试等通常需要大量的人力、物力成本和时间消耗，极大地阻碍了高性能缓蚀剂的设计与应用.需要一种更加高效的技术手段推动缓蚀剂的研究.近年来，材料基因工程技术的发展引领着腐蚀研究从经验试错向数字化、智能化方向变革，利用人工智能技术可实现对现有数据进行分析来预测庞大的未知空间，并探究材料成分、结构与性能的潜在关系.本文基于大语言模型（LLM）和机器学习模型协作的特征筛选管道，借助系统性腐蚀知识注入、提示词设计和递归筛选等技术，从209种特征描述符中筛选得到13种与饱和CO₂环境下缓蚀性能最相关的描述符，这些描述符涉及分子物理化学性质，分子结构性质以及环境参数.筛选后，模型预测的均方误差由121降到11.后续的腐蚀实验验证了模型的预测精度与泛化能力.本文开发的缓蚀剂特征筛选流程与机器学习模型，显著提升了CO₂环境下高性能缓蚀剂的研发效率.

关键词

腐蚀与防护 / 缓蚀剂 / 机器学习 / 大语言模型 / 饱和CO₂

基金资助

工业和信息化部新材料重大专项资助项目（2024ZD0607500）; 国家自然科学基金青年科学基金资助项目（C类）（52501074）; 国家资助博士后研究人员计划资助项目（GZC20240101）