Nature Sustainability：机器学习+水处理膜

本研究针对有机微污染物（OMPs）结构多样导致高分子膜研发困难的问题，提出了一种"数据-机理融合"的设计框架。研究开发了DMF-MRL模型，将机器学习与物理模型深度结合，通过分析277种污染物和52种膜材料的2102组实验数据，揭示了多官能团耦合效应对去除效率的关键影响，挑战了传统仅关注孤立官能团性质的思路。研究发现苯基与其他基团的耦合主要通过改变疏水相互作用能量来影响去除效率，并建立了系统的分子-膜互动知识框架。通过实验验证了基于该框架的膜改性策略的可行性，为水处理膜从经验驱动向数据机理共驱动转变提供了新范式，对推动可持续水资源管理具有重要意义。