化学家在筛选满足特定需求的分子时，或将减少一项耗时步骤。研究人员近期开发出一种基于机器学习的新模型，可仅依据原子自身属性，在数秒内预测二原子分子的电偶极矩。

偶极矩用于衡量分子中正负电荷分离程度，被视为分子的内在属性。该指标决定分子的电极性，并进一步影响沸点、溶解度、热导率以及分子间相互作用等关键性质。研究人员表示，准确把握偶极矩不仅有助于理解化学键基本规律，也与物理和化学的实际应用相关。

据介绍，这一模型采用高斯过程回归（GPR）方法，对4800多个二原子分子进行扫描，并实现对偶极矩的高精度快速预测。筛选结果显示，偶极矩排名靠前的候选包括重盐类分子，如碘化铯（CsI）和碘化钫（FrI），同时也出现了更为意外的组合，例如金-铯（AuCs）。相关研究发表在《ACS Omega》。

以原子可得信息作为输入

传统测定分子电偶极矩的路径主要依赖实验光谱技术或高水平理论计算，通常成本较高且耗时。此前也有研究引入机器学习方法进行预测，但多数模型需要分子结构或分子层面的性质作为输入，而这些信息在面对新分子时往往难以获得。

研究人员称，新模型改用可直接从原子层面推导的特征进行预测，包括电子亲和能之和、电离势差等数值特征，以及原子所属族与周期等类别特征，从而在不依赖分子结构信息的情况下估算二原子分子的偶极矩。

模型训练使用了一个包含273个二原子分子的数据库，其中140个分子具有实验测得的偶极矩数据，另有133个分子的偶极矩来自计算方法结果。

高偶极矩分子与“电负性决定论”的局限

在对数千个极性二原子分子进行筛选后，研究人员识别出偶极矩最高的一批分子，其数值通常超过11德拜。结果显示，最强偶极矩多出现在重碱金属卤化物（如碘化铯CsI、碘化铷RbI）以及碱金属与金（Au）形成的分子中。研究还给出了“对任一给定原子而言可实现的最大偶极矩分子”的预测结果。

研究人员指出，化学界长期存在一种经验观点，认为分子偶极矩或极性强弱几乎完全由电负性决定，即原子吸引化学键中共享电子的能力。但该模型的结果显示，仅依赖电负性可能导致对化学键理解不完整，进而难以准确预测二原子分子的偶极矩。模型提示，电离势、电子亲和能等因素同样需要纳入考虑，才能得到更可靠的预测。

研究还显示，某些金属元素如金（Au）和银（Ag）在与特定原子配对时会呈现类似卤素的行为，从而产生传统基于电负性的理论难以预期的强偶极矩。

研究人员表示，在冷分子科学领域，具有大偶极矩的分子因其在量子环境中的独特表现而受到关注。他们希望该模型能够加速相关分子的筛选与预测工作，并为寻找具有特定偶极性质的新分子提供工具支持。

（来源：Science X Network；研究发表于《ACS Omega》）