从AlphaFold破解蛋白质结构预测难题，到生成式人工智能加速新材料发现，人工智能正深刻改变科学研究范式，“AI for Science”已成为全球科技创新的重要方向。在能源领域，人工智能与能源科学的深度融合正在形成“AI for Energy”新范式，推动能源开发利用从经验驱动向数据驱动与智能驱动转变。在这一背景下，绿色燃料作为交通运输领域实现“双碳”目标的重要技术路径，正迎来新的发展机遇。然而，如何在大量燃料中快速筛选出最适配特定发动机需求的候选燃料，实现多类燃料理化性质的快速、统一预测，成为亟需解决的关键问题。

近日，上海交通大学黄震院士团队在AI赋能绿色燃料筛选与性能预测方面取得重要进展，提出了一种新型人工智能框架LG-Transformer，实现了多类燃料理化性质的高精度统一预测，为绿色燃料的快速筛选提供了新的技术工具。研究成果以“LG-Transformer: Learned-Graph Transformer Framework Enabling Diverse Physicochemical Properties Prediction toward Fuel Design”为题发表于《Nature Communications》。新能源动力研究所张家博副教授为论文第一作者，黄震院士、西安交通大学韩鹏教授为共同通讯作者。

让发动机满意的燃料，为何如此难找？

对于发动机而言，理想燃料并非单一性能最优，而是涉及喷雾、着火、排放等多种发动机关键性能的综合优化，但这些特性之间往往相互耦合、彼此制约。因此在庞大的燃料候选空间中寻找最适合发动机的燃料，本质上是一个多指标强耦合的复杂高维问题。此外，燃料候选空间整体规模可达数千种分子体系，进一步加大了快速筛选与性能评估的难度。

针对这一挑战，研究团队构建了一个面向燃料性能预测的高质量数据库，系统总结了不同官能团燃料的关键理化性质数据，涵盖研究法辛烷值（RON）、马达法辛烷值（MON）、十六烷值（CN）、密度、黏度、表面张力等17项关键指标，并同步建立了开放式燃料性质数据库与检索平台。该平台支持通过分子名称、CAS编号或SMILES结构式进行快速检索，并提供对应燃料分子的多维理化性质数据及文献来源支撑。

多官能团燃料众多理化特性，如何实现统一预测？

为实现多官能团燃料众多理化特性的统一预测，研究团队提出LG-Transformer人工智能框架。与传统方法主要针对单个分子进行独立分析不同，该方法创新性地引入了用于构建分子间关系的“学习图”，能够在分子描述符基础上进一步挖掘分子间的性质关联信息，并结合Transformer对高维特征间复杂依赖关系进行建模，从而实现对多种燃料理化性质的统一高精度预测。LG-Transformer架构在17项关键燃料理化性质预测任务中均取得优异结果，整体预测精度显著优于目前的机器学习模型，表现出稳定且一致的预测能力。同时该模型在样本规模较小的燃料子类别中仍能保持较高预测精度，体现出对不同官能团燃料的优异适应与泛化能力。

不只是“算得准”，更要“讲得清”

在科学研究中，人工智能模型的可解释性同样重要。为理解模型预测背后的物理依据，研究结合注意力机制与积分梯度（Integrated Gradients）方法，建立从分子描述符到性质预测的解释框架。例如在MON预测中，模型能够识别支链结构、极性官能团及电子分布等关键因素对抗爆性与着火性的不同影响，整体规律与燃烧化学及物理化学中的经典认知一致，使模型预测具有明确的物理意义与可解释性。

从燃料走向更广阔的分子世界

为检验模型在未知体系中的表现，研究团队构建了由260个未参与训练的全新燃料分子组成的独立测试集，LG-Transformer仍能保持较高的预测精度。在此基础上，研究团队进一步将该框架推广至MoleculeNet等公开分子性质基准任务，在药物分子、化学信息学和量子化学等领域的多个通用数据集上同样取得了优异结果，表明该方法不仅适用于燃料领域，也具备向更广泛分子性质预测任务迁移的潜力。

该研究工作得到了国家自然科学基金重大项目、沪滇科技协同创新项目、上海市浦江人才计划等资助。