通过物理信息强化学习微调序列模型发现可持续制冷剂

目前空调系统中使用的大多数制冷剂，如氢氟碳化物，都是强效温室气体，正在被逐步淘汰。大规模分子筛选已被用于寻找替代品，但实际上已知的制冷剂仅有约 300 种，且只有少数额外候选物被提出但未经实验验证。这种可靠数据的稀缺性限制了纯数据驱动方法的有效性。我们提出了 Refgen，一个将机器学习与基于物理的归纳偏置相结合的生成流程。除了针对有效分子生成进行微调外，Refgen 还整合了用于关键性质、状态方程、热化学多项式以及完整蒸汽压缩循环模拟的预测模型。这些模型使得在热力学约束下进行强化学习微调成为可能，从而强制一致性并引导发现那些能平衡效率、安全性和环境影响的分子。通过将物理知识嵌入学习过程，Refgen 有效利用了稀缺数据，实现了超越已知化合物集合的从头制冷剂发现。