氧化石墨烯（GO）以其單原子厚度有望實現膜過程的高效分離，如何解決GO膜的溶脹問題并定向設計高性能分離膜是該過程的關鍵。
近日，安徽理工大學劉泉副教授在《ACS Sustainable Chemistry & Engineering》期刊上發表了題為“Enhancing ballistic transport and C
3-C
4 alcohol dehydration through machine learning-designed cationic graphene oxide membranes”的重要研究成果，采用機器學習（ML）實現GO膜的水穩定性與溶劑脫水性能的提升。
近年來，機器學習（ML）和分子模擬改變了傳統膜材料的研發模式。該研究采用ML輔助設計離子化GO膜，建立了包括溫度、化學基團、離子負載量、離子大小和電荷等描述符與膜性能之間的多變量預測模型。采用分子模擬探究GO的水穩定性：傳統觀點認為GO穩定機制源于“離子-π”作用；該研究考慮離子的實際水合效應，提出“類根狀氫鍵”穩定膜層及水分子“彈道傳輸”機制。通過探索不同陽離子，發現Ca
2+-GO膜最具氫鍵穩定性和靜電捕水能力；通過滲透汽化測試，該ML設計的GO膜對異丙醇和丁醇表現出優異的脫水性能，分離因子分別達到5922和46369，滲透性約48.5-123.6 GPU，遠超現有的分離膜報道。該研究發展ML加速了高性能膜材料開發并揭示GO膜的水穩定機制，為研究者提供了定向設計思路與參考機制。
圖1機器學習之GO膜設計。
圖2 陽離子GO膜捕水過程及“類根狀”氫鍵穩定膜層機制。
圖3 彈道傳質過程中的位阻和靜電作用。
圖4 ML篩選最優膜結構。
圖5 ML設計Ca
2+-GO膜之性能對比。
作者：孫龍龍，劉泉，梁卓琳，楊忠連，張中標
通訊作者：
劉泉，安徽理工大學副教授、碩士生導師；2019年博士畢業于南京工業大學化工學院，導師：金萬勤教授；主要從事膜分離方向研究，聚焦于膜過程傳質機制與新型亞納米孔道膜材料的機器學習設計。個人信息主頁
https://orcid.org/0000-0002-0266-5570
論文鏈接：https://doi.org/10.1021/acssuschemeng.4c05255
