【东京大学｜Nanoscale】机器学习预测离子液晶相变温度

      PART 1    

        文章信息      

      题目    

    Prediction of the phase transition temperatures of functional nanostructured liquid crystals: a machine learning method based on small data for the design of self-assembled materials  

      作者    

    Shingo Takegawa, Haruka Tobita, Yasuhiko Igarashi, Yuya Oaki*, Takashi Kato*  

      单位    

    东京大学工学部化学与生物技术系；冈山大学跨学科科学研究所；庆应义塾大学理工学部应用化学系；筑波大学工程信息与系统学院；信州大学水再生研究所  

      期刊    

    Nanoscale，2026 / 18卷  

      DOI    

    10.1039/d5nr04714e  

      PART 2    

        一句话概括      

    本文提出一种结合小数据机器学习与化学经验的稀疏建模方法，实现对功能性纳米结构离子液晶相变温度的预测。  

该研究证明，在实验数据有限的材料体系中，可解释机器学习能够辅助分子设计并减少试错实验。

      PART 3    

        研究背景与科学问题      

    离子液晶（ILCs）是一类能够自组装形成有序纳米结构的功能材料，在电解质、水处理膜、光功能材料和刺激响应材料等领域具有应用潜力。其液晶态与各向同性态之间的转变温度（TIso）决定材料的热稳定性、加工性能和功能表现。  

    然而，ILCs的相变温度受到分子形状、离子作用、偶极作用、π–π堆积、范德华作用和氢键等多因素共同影响，仅根据分子结构预测性能十分困难。传统实验设计依赖经验和反复合成，成本高、周期长。  

    机器学习能够建立结构与性能之间的映射关系，但材料实验通常难以获得大规模高质量数据，小样本条件下容易出现过拟合或模型不可解释的问题。  

关键挑战

ILC相变行为由复杂分子相互作用共同决定，难以建立简单预测关系。

实验数据规模有限，不适合直接应用复杂机器学习算法。

预测模型需要同时满足准确性、化学可解释性和分子设计实用性。

本文要解决的核心问题是：如何利用有限实验数据建立能够预测ILC相变温度且符合化学规律的模型。

      PART 4    

        技术原理与创新点      

    研究采用小数据稀疏建模（SpM-S）方法，通过机器学习筛选关键结构描述符，再结合研究者经验构建线性回归模型。该策略避免了复杂黑箱模型，并保留了材料化学解释能力。  

    作者收集116种楔形离子液晶的相变温度数据，将分子结构拆分为脂肪族、阳离子、末端和阴离子四个区域，并计算各区域物理参数作为预测变量。  

方法分解

1.

收集116种ILCs的TIso数据，将相变温度作为目标变量。

2.

根据化学结构经验拆分分子片段，计算分子量、偶极矩、构象数量等33类描述符。

3.

利用穷举搜索线性回归（ES-LiR）筛选关键变量，建立可解释预测模型。

方法流程

创新清单

提出适用于小样本材料数据的SpM-S预测框架。

将机器学习变量筛选与化学经验结合，提高模型解释能力。

建立仅包含7个描述符的TIso预测方程。

验证模型可用于指导新型ILC分子设计。

相比传统黑箱机器学习，该方法通过少量关键化学变量实现了透明、可解释的性能预测。

      PART 5    

        实验验证与性能      

    研究使用116个ILC作为训练集，并利用45个来自其他文献的ILC作为测试集验证模型泛化能力。模型通过交叉验证评估，并比较不同阳离子体系的预测误差。  

评测维度

1.

训练集预测能力

•

RMSE：23.7 °C，相比实验TIso值进行评估。

2.

不同阳离子类型适用性

•

咪唑鎓：26.0 °C。

•

铵盐：22.2 °C。

•

磷鎓：22.4 °C。

•

胍鎓：19.9 °C。

3.

外部测试集泛化能力

•

多数结构相近ILC预测RMSE约30 °C。

关键结果表

该模型成功预测了部分楔形离子液晶的相变温度，为功能材料分子优化提供了可靠工具。

      PART 6    

        学术贡献      

建立了面向小数据材料体系的可解释机器学习预测方法。

揭示分子量、偶极矩和构象等因素对ILC相变温度的重要影响。

证明机器学习与实验化学经验结合能够加速软材料开发。

为未来功能液晶材料设计提供了定量指导。

该工作展示了一种从“经验试错”向“数据辅助分子设计”转变的材料研发范式。

      PART 7    

        局限性与未来方向      

    当前模型主要针对具有相似结构特征的楔形ILCs建立，对于具有大型刚性π共轭阳离子结构的体系预测误差较大。这说明训练数据覆盖范围和描述符选择仍需优化。  

待解决问题

已验证模型能够预测部分结构相近ILC的TIso。

扩展训练数据规模，提高对多样化ILC结构的适用性。

引入更多结构描述符，提高复杂体系预测精度。

下一步需要结合更多实验数据和更优化的变量选择策略，提升模型对广泛功能液晶材料的预测能力。

      PART 8    

        总结      

    本文提出了一种结合稀疏机器学习、实验经验和化学理解的小数据预测策略，实现了对楔形离子液晶相变温度的定量预测。  

    该方法兼具准确性和可解释性，有望减少材料开发中的实验成本，加速功能自组装材料的设计。  

小数据并不意味着无法进行机器学习，关键在于选择符合化学规律的有效描述符。

      PART 9    

        图文赏析      

Figure 1

楔形离子液晶从液晶相到各向同性相的相变示意图。

Figure 2

用于构建离子液晶相变温度预测模型的小数据稀疏建模（SpM-S）总体方案。

Figure 3

训练数据集制备示意图。离子液晶结构被分为四个部分，即脂肪族（蓝色）、阳离子（红色）、末端（绿色）和阴离子（灰色）部分。计算每个部分的物理参数作为解释变量（xn）以制备训练数据集。

Figure 4

训练数据集中各向同性温度（TIsos）的穷举搜索线性回归（ES-LiR）分析权重图。显示交叉验证误差（CVE）最小的前500个模型。MW：分子量；PSA：极性表面积；HBD：氢键供体。

Figure 5

训练数据集中离子液晶的预测TIsos与测量TIsos之间的关系。

Figure 6

用于模型验证的测试数据集中离子液晶的分子结构。

Figure 7

使用构建模型对测试数据集中离子液晶TIsos的预测。白色带灰色轮廓的圆圈：训练数据集中的离子液晶。

Figure 8

使用构建模型对测试数据（方块）和训练数据（圆圈）中离子液晶TIsos的预测。