俄罗斯团队开发机器学习模型预测稀土与锕系元素配合物稳定性

莫斯科国立大学化学系智能化学设计跨学科实验室研究人员与该校力学与数学系同事合作，开发出一种用于评估稀土元素和三价锕系元素配合物稳定性的新型机器学习模型。相关成果已发表在《化学物理杂志》上。

研究团队表示，机器学习可在化学研究中降低时间和材料成本，这一点对稀有、昂贵或具有危险性的镧系元素和锕系元素尤为重要。镧系元素与钪、钇通常被归为稀土元素，广泛用于永磁体、电池、电子元件和激光器等领域。由于稀土元素在自然界中多以微量形式存在于矿物原料中，且化学性质相近，其分离和提纯过程复杂、成本较高。

锕系元素具有放射性，在核工业中具有重要应用。提高乏核燃料中锕系元素的分离效率，被认为有助于推动闭式核燃料循环，并减少放射性废物产生量。当前，使用特定设计的有机配体选择性结合目标元素，是分离稀土元素和锕系元素的重要研究方向之一。

研究人员介绍，由于f区元素化学性质相似，加之锕系元素放射性带来的实验限制，传统实验筛选配体面临较大困难。此次团队利用NIST46数据库及相关文献数据，建立了新的f区元素络合剂数据库，并据此训练图卷积神经网络，用于预测配合物稳定常数。

与此前主要依赖配体结构的模型不同，新模型可将多种金属络合信息整合到同一神经网络架构中，从而扩大快速机器学习计算稳定常数所覆盖的元素范围。研究团队称，该模型的一项特点是，即使某种金属元素未包含在训练集中，也可用于相关预测。项目源代码已对外公开。

研究人员表示，新模型在预测锕系元素性质方面表现良好，可为寻找更高效、更具选择性的配体提供支持。现阶段研究重点为1:1化学计量比的配合物，后续团队计划继续探索其他类型配合物，并与合成领域研究人员开展合作，以推进相关模型在乏核燃料后处理等方向的应用。