面向机器学习的可微分热力学相平衡

准确预测相平衡始终是化学工程中的核心挑战。最近显示，融入热力学结构至神经网络的 physics-consistent machine learning 方法在 activity-coefficient modeling 中表现突出。但将此类方法扩展到来自 extremum principle 的平衡数据（如液-液平衡），仍困难。本文提出 DISCOMAX，一种用于相平衡计算的可微分算法，确保在 training 和 inference 时保持热力学一致性，仅受用户指定离散化的约束。该方法根植于统计热力学，通过离散枚举随后通过掩码 softmax 聚合可行状态，并配合 straight-through 梯度估计器，实现对神经 $g^{E}$-models 的 physics-consistent end-to-end 学习。我们在二元液-液平衡数据上评估该方法，表明其优于现有基于替代方法的方案，同时提供一种通用框架用于学习不同类型的平衡数据。