液晶预测器：用于分类与相变预测的机器学习平台

为何预测软物质很重要

从手机屏幕到智能窗户与软体机器人，许多现代技术依赖于液晶——这些材料像液体一样流动，但保留了部分固体的有序结构。设计新型液晶仍然在很大程度上依赖试错法，因为很难预测它们在何种温度下在有序与无序状态之间转换。该研究引入了一个开放的、基于机器学习的平台，帮助科研人员预测候选分子何时会熔融成液晶相以及何时会完全失去有序性，从而使为未来设备发明更佳材料变得更容易。

是什么让这些特殊液体有用

液晶处于固体与液体之间的奇特中间态。它们的分子——通常为棒状、盘状或弯曲形——趋向于指向相似方向，形成既有序又流动的相。对于任何实际应用，这种有序性必须在一个特定的温度区间内稳定，通常由两个关键点界定：熔点，即固体晶体首次变为液晶相的温度；以及清除温度（clearing temperature），即该相最终转为普通液体的温度。事先知道这两个温度能让工程师判断某种材料是否适用于例如室温传感器、炎热汽车显示屏或医疗设备等场景。

教计算机识别有前途的分子

研究者首先汇集并清洗了一个大型公开数据集，包含11,335种有机分子。其中1,256种已知为液晶，涵盖三大类——棒状、盘状和弯曲核——其余为来自化学各个领域的非液晶化合物。利用该集合，他们训练并比较了多种机器学习模型，以把液晶分子与其他分子区分开来。通过将三种互补模型组合为一种“多数投票”方案（偏向将候选判定为液晶以避免漏检），他们的分类器在独立测试中几乎找回了所有已知液晶，对较复杂的盘状和弯曲核类型表现尤为出色。

从分子形状预测关键温度

一旦某分子被标记为可能的液晶，接下来的挑战是预测其熔点和清除温度。为此，团队将依赖于预先计算的分子指纹（fingerprints）的传统算法与将分子视为原子与键图的较新方法进行了比较。对于熔点，一种将随机森林回归器与图神经网络混合的混合模型提供了最佳总体精度，成功处理了棒状、盘状与弯曲核材料的不同行为。对于清除温度，单独的基于图的方法泛化能力最佳，这可能是因为这一更高温的相变更依赖于分子的整体形状与连通性，而非局部细节。

发现微妙模式并了解失败之处

任何预测工具的严格考验在于能否捕捉化学家从经验中知道的细微模式。在这里，模型不仅再现了典型的温度范围，还反映了所谓的奇偶效应：仅在侧链上加入或移除一个碳原子就会使相变温度出现振荡。作者还检查了预测误差超过约30摄氏度的情况。这些问题分子常具有高度弯曲的主链、笨重的盘状核心或不寻常的取代基（如多个氟原子），这些特征都会改变分子的堆积方式，而现有数据与描述符尚不能完全捕捉。该分析指出了可通过额外实验与改进特征进一步提升工具的方向。

为未来材料设计开辟新捷径

所有数据、模型和一个用户友好的网页界面已作为“液晶预测器”公开提供。研究人员现在可以绘制或指定一个分子，让平台判断其是否可能形成液晶相，并估算其出现与消失的温度——无需深入的机器学习专业知识。尽管对某些代表性不足的分子家族来说精度仍较低，该系统已经为合成与测试前筛选候选物提供了有力指南。随着更多奇异结构与更好的结构描述符被加入，类似工具有望将先进液晶材料的发现从一门艺术转变为以数据驱动、协作为特征的科学。

引用: Wu, H., Patel, H., Xiang, Y. et al. Liquid crystal predictor: a machine learning platform for classification and phase transition forecast. npj Soft Matter 2, 11 (2026). https://doi.org/10.1038/s44431-026-00020-1

关键词: 液晶, 机器学习, 相变, 材料设计, 软物质