人工智能辅助含能分子设计的应用与展望

含能分子研发面临多重挑战,传统“试错法”效率低下,计算机辅助分子设计的出现改变了研发模式。本综述回顾了含能分子设计的发展历程,介绍了计算机辅助含能分子设计的研究现状,并概述了人工智能技术(AI)在性质预测、分子生成、合成路线和反应条件预测等多个设计环节的最新进展,讨论了当前含能分子设计模式与其他材料设计方法的差距,思考差距产生的原因,并对未来AI辅助含能分子设计的发展方向提出展望。研究发现,AI在含能分子性能预测和分子生成等方面已经有了应用,但在合成路径规划和反应条件优化等环节的应用仍有待进一步探索,应用前景巨大。通过数据增强、迁移学习或高通量计算有望能够解决含能分子数据薄弱的问题;加强AI辅助含能分子合成路线与反应条件探索有望贯通“设计→评估→制备→验证”全流程自动化分子设计模式。AI辅助含能分子设计为提升含能分子设计水平提供新的可能性,有助提升含能分子研发效率。

含能分子合成最新进展

从含能分子设计、合成策略与路线优化、性能评价等角度对过去两年来含能材料合成领域的最新进展进行了简要综述。梳理了含能分子(含能离子盐和共价型含能分子)合成研究的发展方向与趋势。指出以下几点是今后研究的重点方向:通过硝胺化、羟基化以及N→O化等策略实现富氮杂环类含能离子盐的靶向合成、定向调控含能离子盐的结构和性能;注重于设计合成高氮含量的稠环结构、桥连骨架、以及共轭平面离域大π键结构的含能分子;加强新型B基含能分子的制备与性能研究;将极端条件下的合成技术如超低温合成、超临界合成等充分应用于含能分子设计与合成中。

高通量计算与深度学习相结合的稠环含能化合物设计

含能化合物的设计效率决取于多方面因素,如筛选空间中潜在高性能样本的占比和关键性能的准确预测方法。本研究提出预筛选分子骨架提升虚拟筛选空间整体性能的方案,并将高通量计算与深度学习相结合用于含能化合物设计。研究发现,含能分子的晶体密度与其骨架密度之间存在中度的正相关性,通过预筛选高密度分子骨架可以有效提升虚拟筛选空间的整体密度。研究基于晶体学数据库CCDC提供的含能晶体密度数据集,采用深度学习方法获得含能晶体的密度预测模型,具有可靠的精度和泛化性。在此基础上,以稠环类含能化合物为研究对象,通过骨架预筛选获得高密度的稠环分子骨架,从而通过分子片段组装获得由潜在的高密度分子组成的虚拟筛选空间。研究采用量子化学计算和爆轰产物状态方程等方法实现了生成焓、爆轰性能和化学稳定性的预测,从而由性能排序筛选出能量水平优于RDX,稳定性优于TNT的新型含能分子6个。研究表明,分子骨架预筛选可以有效提升虚拟筛选空间的总体性能,在此基础上借助高通量计算与深度学习可实现含能分子的高效设计。

面向高通量含能分子设计筛选的三种生成焓计算方法评估

高通量含能分子设计需要兼顾准确性与效率的性能预测方法。结合原子化方案,对常见的3种不同水平的理论方法(半经验PM6方法、密度泛函理论方法 B3LYP/6-31G(d,p)和高精度的完全基组CBS-4M方法)用于高通量含能分子设计筛选的生成焓(HOF)计算适宜性进行了评估。计算并比较了20种含能分子的固相HOF,发现不同理论水平预测结果存在较大差异;而基于10种常见含能分子的不同水平下的HOF,实验密度和Kamlet-Jacobs(K-J)、Becker-Kistiakowsky-Wilson(BKW)与Virial-Wu(VLW)3种模型预测的爆轰性能差别不大。其中B3LYP方法具有最佳适宜性,具有较高的计算效率且爆轰性能预测结果同CBS方法接近,如基于BKW模型计算的爆速和爆压的平均相对偏差仅为0.4%和1.2%。而低精度的PM6方法和高耗时的CBS方法难以满足兼顾高通量含能分子设计筛选中的精度和效率的要求。这表明,在高通量的含能分子设计筛选中,可考虑中等精度的方法进行快速的HOF预测。