作者：Kai Zhao, Xiting Peng, Shanying Hu*, Xiaonan Wang*

01 论文信息

论文信息

Kai Zhao, Xiting Peng, Shanying Hu and Xiaonan Wang, Machine learning models for rapid prediction of chemicals’ life-cycle environmental impacts: current status, challenges, and future directions[J].Green Carbon, 2025.

论文网址

https://doi.org/10.1016/j.greenca.2025.05.004

论文下载

Machine learning models for rapid prediction of chemicals’ life-cycle environmental impacts: Current status, challenges, and future directions

中文解读原链接

Green Carbon文章 | 清华大学胡山鹰教授、王笑楠副教授：化学品生命周期环境影响预测中机器学习的应用与挑战

02 背景简介

化学品是现代社会经济体系中不可或缺的组成部分，其全生命周期的环境影响与碳排放问题正日益受到关注。生命周期评价（LCA）方法能够系统评估化学品从生产、使用到处置全过程的环境影响，但其实施往往耗时长、成本高，且依赖难以获取的大量清单数据。因此，如何快速、低成本地评估化学品的环境表现成为当前绿色化学与可持续发展的关键难题之一。

清华大学胡山鹰教授、王笑楠副教授团队在Green Carbon发表题为 “Machine learning models for rapid prediction of chemicals’ life-cycle environmental impacts: current status, challenges, and future directions”综述文章。该文系统梳理了基于分子结构的机器学习模型在化学品生命周期环境影响预测中的研究进展，深入讨论了数据集、特征工程、模型架构与应用场景的最新发展，并提出了未来研究的挑战与方向。

03 文章简介

文章首先介绍了机器学习、深度学习、特征工程等基本概念，并回顾了LCA的基本框架及机器学习在各个环节中的应用（图1）。进一步明确了本综述的聚焦范围，即“基于分子结构的机器学习模型在直接预测LCIA结果”这一新兴方向（图2）。其核心思想是：通过收集已知的分子结构与生命周期影响评价（LCIA）结果训练模型，使模型能够直接从化学结构出发，快速预测目标化学品的碳足迹、能耗及多维环境影响指标，而无需传统方法依赖的复杂过程的生命周期清单（LCI）数据。文章系统梳理了领域研究脉络（图3）。2008年，Wernet et al. 首次提出了基于分子结构的预测化学品环境影响的神经网络模型，并于2009年进一步发展为FineChem 1 模型。在经历了一段相对沉寂期后，Suh et al. 于2017年在该领域引入深度神经网络，引发了研究热潮。自2019年以来，研究者们从多个维度展开了系统研究，包括引入过程描述符、开发针对生物基化学品的专用模型、探索模型的最优方案、扩展训练数据集，以及构建应用场景。这些研究共同推动了具有更高预测能力的机器学习模型的发展。

图1. ML在LCA中的应用

图2. 本综述的聚焦范围

图3. 领域研究脉络

数据集的扩展与质量提升

早期研究仅依赖有限的Ecoinvent数据库，数据量不足百条，模型准确性有限。近年来，研究者不断扩展至多来源数据（如Gabi、自建化学品LCA数据集），并对数据质量进行严格筛选。这为模型稳定性和外推能力奠定了基础。

特征工程的多元化

传统分子描述符仍是核心输入，但越来越多的研究引入了分子指纹、图结构特征以及与生产过程有关的描述符。其中，过程描述符的引入显著提升了模型区分不同工艺路径下环境影响的能力，成为提高预测准确度的重要方向。

模型架构的进化

该领域从最初的人工神经网络（ANN），逐步发展到深度学习、图神经网络（GNN）及集成框架。部分研究还探索了Transformer等新架构，结合特征选择方法（如MI-PI）提升模型预测能力。

应用场景的拓展

相关模型已在绿色替代物筛选、可持续溶剂设计等案例中展现潜力。例如，通过高通量筛选数百万候选分子，快速锁定环境负荷更优的替代化学品，显示了该方法在绿色化学中的潜在价值。

未来研究趋势

围绕数据、特征、模型、预测目标四个要点，本综述提出四个前沿方向：构建全面、开放、透明的化学品LCA数据库；引入先进特征表示（如预训练分子表示学习）；融合大语言模型挖掘工艺与文本知识；拓展至全生命周期预测(包括使用与报废阶段)和绝对环境影响预测（与行星边界相结合）。

图4. 当前及未来研究趋势总结

总结与展望

本综述展示了机器学习在化学品生命周期环境影响预测中的巨大潜力，为绿色化学设计与可持续决策提供了新工具。未来，随着数据库建设、多模态特征融合和大语言模型的加入，该领域有望实现从“快速预测”到“全生命周期系统评估”的跨越。对于政策制定、产业优化和绿色创新，这一方向将发挥越来越关键的支撑作用。

04 作者简介

胡山鹰 教授

胡山鹰，清华大学教授，中国生态经济学会副理事长，中国化工学会信息技术应用专业委员会委员和硫磷钛资源化工专业委员会委员，中国循环经济协会专家委员会委员。近20年来在国内率先开展生态工业和循环经济的研究，将过程系统工程的理论方法与工业生态学相结合，形成了生态工业的系统工程研究领域。在理论上开展了生态工业系统的分析和集成、复杂系统及其演变进化、循环经济等研究工作，提出了生态工业系统热力学分析、物质和元素代谢分析、循环经济系统集成、产业链构建和优化、多层面生命周期评价、生态工业决策等并成功地应用于实践。主持完成100多项科研项目，完成的生态工业园区和循环经济发展规划等26个列为各类国家级试点。2005年被评为教育部新世纪优秀人才，获国家教育部科技进步奖、生态环境部环境保护科学技术奖、中国循环经济协会科技奖、中石化科技进步奖、中国石化联合会科技进步奖、清华大学研究成果奖等10余次，在Nat. Food、Nat. Commun.、Environ. Sci. Technol.等期刊发表学术论文400多篇，编写专著20余部。

王笑楠 副教授

王笑楠，清华大学化工系长聘副教授、博导，智能化工研究中心主任，国际合作与交流处副处长，新加坡国立大学荣誉副教授，新一代人工智能国家科技重大专项首席科学家、项目负责人，国家高层次青年人才计划入选者，Green Carbon青年编委。带领团队从事AI+能源化工材料的研究，针对传统能源化工新材料研发周期长、成本高、工程放大困难等挑战，提出了融合数据与机理、大小通专模型并进的方法体系，建立了先进化工材料人工智能基础模型与智能体，并用于工业催化剂、高端聚烯烃等领域，突破“卡脖子”材料研发，拓展了绿色低碳能源化工研究方法。发表论文180余篇，被引12700余次，H-index 67，担任Applied Energy、Green Chemistry等十本国际期刊副主编和编委，获世界化学工程理事会青年学者奖、美国化学会可持续化学与工程讲席奖、Cell Press中国女科学家奖、青年北京学者、侯德榜化工科学技术奖“青年奖”等荣誉，入选全球学者终身学术影响力榜，2024、2025全球高被引学者，连续五年被Elsevier评为全球前2%科学家。

赵凯 博士研究生

赵凯，清华大学化学工程系在读直博生。研究方向包括中国塑料助剂生命周期可持续性评估、人工智能在绿色化学品设计/环境影响评估中的应用。以第一/共同第一作者发表SCI文章10篇，包括Environ. Sci. Technol.、Green Carbon等期刊。

彭茜婷 博士研究生

彭茜婷，清华大学化学工程系在读直博生。研究方向为人工智能启发的新型低共熔溶剂的发现。以第一/共同第一作者发表SCI文章3篇在Green Chem. Eng.、Green Carbon等期刊。

05 Green Carbon

期刊官网：Green Carbon官网

投稿网址：Green Carbon投稿

公众号：Green Carbon公众号

知乎：Green Carbon知乎主页

科学网：Green Carbon科学网主页

微博：Green Carbon微博主页