Derin ötektik çözücüler (DES), iki ya da daha fazla bileşenin belirli oranlarda karıştırılmasıyla elde edilen ve beklenmedik biçimde düşük erime noktası sergileyen özel çözelti sistemleridir. Özellikle biyokütle işleme, ilaç sentezi ve yeşil kimya alanlarında büyük ilgi gören DES'lerin asıl gücü, bileşenleri arasında oluşan karmaşık hidrojen bağı ağlarından kaynaklanır.
Ancak bu ağların çözünürlük davranışını nasıl belirlediğini anlamak ve tahmin etmek, geleneksel hesaplamalı yöntemler için ciddi bir zorluk oluşturmaktadır. COSMO-RS gibi kuantum kimyasına dayalı araçlar bu sistemlerde 23 kattan fazla tahmin hatası üretebilmekte; bu da endüstriyel tasarım süreçlerini güçleştirmektedir.
Bu sorunu aşmak için geliştirilen TiNN (Thermodynamics-informed Neural Network), termodinamik serbest enerji yollarını hiyerarşik biçimde modelleyen bir sinir ağı mimarisine sahip. Model, önce hidrojen bağı donörü (HBD) ile akseptörü (HBA) arasındaki ilişkiyi, ardından çözünen maddenin bu ortama nasıl yerleştiğini ayrı ayrı öğreniyor. Bu yapı sayesinde model, sadece eğitim verilerine uymakla kalmıyor; fiziksel anlamı olan bir öğrenme süreci gerçekleştiriyor.
938 deneysel kayıt üzerinde eğitilen TiNN, test setinde 0.917 R² skoru elde etti. Daha da önemlisi, model hiç görmediği HBA-HBD kombinasyonlarında ve sınırlı deneysel verinin bulunduğu koşullarda da güvenilir tahminler üretebildi.
Araştırmacılar, tahmin başarısını hangi faktörlerin yönlendirdiğini anlamak için ablasyon analizleri de gerçekleştirdi. Sonuçlar, çözünen maddeye özgü stabilizasyonun tahmin doğruluğuna en büyük katkıyı yaptığını ortaya koydu. Hidrojen bağı uyumluluğunun önemi ise çözünme mekanizmasına göre değişkenlik gösterdi.
Glikoz, ksilan ve Kraft lignini gibi lignoselülozik biyokütle bileşenlerinin asidik, bazik ve nötr DES'lerdeki çözünürlükleri deneysel ölçümlerle doğrulanan TiNN, bu maddeler için geometrik ortalama çözünürlük hatasını 1.5 kata kadar düşürdü. Bu başarı, termodinamik bilginin yapay zeka modellerine sistematik biçimde aktarılmasının karmaşık kimyasal sistemleri anlamlandırmada ne kadar etkili olabileceğini somut şekilde kanıtlıyor.