全氟和多氟烷基物质（PFAS）有个外号——“永久化学品”。碳-氟键太稳了，自然降解几乎不可能，在土壤里一待就是几十年，渗进地下水，进入食物链，最后回到人体。
闪蒸焦耳热（FJH）是处理PFAS污染的利器：把土壤瞬间加热到高温，PFAS被“闪”成无害小分子，土壤基本性质还能保住。但FJH过程涉及电压、添加剂、反应时间等一堆参数，毫秒到秒级的反应窗口，传统试错法根本找不到最优解——参数空间太大，实验成本太高。
莱斯大学James Tour院士、科尔万大学赵玉峰教授、密苏里大学林见教授团队最近在《ACS Nano》上发了一篇，给FJH装了个“AI大脑”。他们提出一套人类引导贝叶斯优化（HGBO）+可解释多分支神经网络（MBNN）的数据驱动工作流，两轮迭代就把PFAS残留浓度从人工优化的0.038 ppm降到0.015 ppm，降了60%。
更神的是，通过SHAP分析和原子级重要性图谱，AI自己“学会”了：决定PFAS降解效率的不是碳链长短，而是官能团类型——羧基好降解，磺酸基难降解。DFT计算验证，两类官能团的脱氟能垒差高达0.40 eV。
这套“人机协同+可解释AI”的范式，把FJH从“试错”变成了“智能设计”。
01 人机协同优化：专家直觉+AI概率，2轮迭代干到0.015 ppm
先看图1的流程框架。图1a是FJH工艺示意图，土壤+添加剂通电，瞬间升温到高温，PFAS被降解。图1b是HGBO工作流：AI模型基于历史数据提候选实验条件，专家通过可视化界面（如PCA投影）评估可行性，给置信度分数，模型用这个分数调采集函数，引导下一轮实验。
图2a是HGBO内部数据流，关键创新在于：先用XGBoost基于前驱体参数预测系统电阻，作为高斯过程（GP）的输入特征，增强模型对实验不确定性的鲁棒性。GP预测PFAS残留量后，后验分布用于生成候选点。专家反馈修正采集函数中的概率缩放因子——人机协同，不是AI说了算，也不是人拍脑袋，是人和AI一起推。
图2b的算法伪代码，清晰可见专家置信度分数（C_{i,j}）介入候选点选择的逻辑（第8-9行）。
图3a-c是第一轮迭代的可视化，图3d-f是第二轮。PCA投影（图3a）里，候选点1靠近历史数据簇，专家给高置信度（C=3），用于调整模型；候选点2远离历史数据，专家给低置信度（C=0），优先实验验证。既利用已知，又探索未知。
图3g是性能对比。红线是HGBO，第二轮迭代后PFAS浓度直接降到0.015 ppm；人工优化（蓝线）停在0.038 ppm；标准贝叶斯优化（BO，绿线）介于两者之间。图3h的UMAP投影，HGBO推荐的实验条件（黄色）显著拓展了参数空间，探索了人工（灰色）和标准BO（蓝色）没碰到的区域——全局最优，在没去过的地方。
02 可解释AI：SHAP告诉你，电压是第一，添加剂是第二
图4把工艺参数的影响拆开。
图4a-b的SHAP分析，电压（Voltage）是对模型预测影响最大的特征，且与SHAP值正相关——高电压有利于降低PFAS残留。添加剂比例（Additive Ratio）和添加剂材料类型（Additive Material）排第二、第三。
图4c-e的一维部分依赖图（PDP）进一步量化：电压在60-120V区间内持续正向作用（图4c）；质量（Mass）存在最优范围（图4d）；电阻与残留正相关（图4e）。
图4f-h的二维PDP揭示了交互作用：高电压+低质量（图4f）、高电压+低电阻（图4g）的组合，能协同实现最优降解。不是单一变量，是多参数精细协同。
03 多分支神经网络：从分子层面看懂PFAS
图5是MBNN的“分子级”理解。
图5a是MBNN架构，三个独立分支分别处理化学描述符、分子结构图（SMILES）和实验参数，最后融合预测——能精准捕捉不同类型特征的影响。
图5b的交叉验证结果，R²=0.95±0.02，模型靠谱。
图5c是原子级重要性图谱，通过扰动分析生成。PFOS、PFHxS、PFBS这些磺酸类PFAS里，磺酸基团（含硫原子）原子重要性评分最高；PFOA这种羧酸类PFAS里，羧基相关的碳原子最关键。
图5d-e的SHAP分析确认：羧基对提高降解效率有显著正面贡献，磺酸基呈现负面效应。模型还显示，碳链长度的影响相对微弱——官能团类型，才是分子层面的“开关”。
04 DFT验证：官能团能垒差0.40 eV，解释了为什么羧基好降解
图6用DFT计算验证MBNN的预测。
以CaO为高温下Ca的活性相代表，计算羧酸类（PFCA）和磺酸类（PFCS）的脱氟反应能垒。
图6a-b，无论碳链长短，羧酸类脱氟能垒约0.44-0.61 eV，反应放热。图6c-d，磺酸类脱氟能垒约0.82-0.84 eV，反应接近热中性。
能垒差高达0.40 eV——这就是为什么羧基类PFAS在FJH过程中更容易被降解。碳链长短引起的能垒变化，远小于官能团之间的差异，与MBNN“碳链影响微弱”的结论高度一致。DFT给AI的预测，焊上了理论根基。
05 这事的看点：从“试错”到“智能设计”，人机协同是未来
把这篇的逻辑抽出来，其实是三层设计叠在一起：
优化层：HGBO，专家直觉+AI概率，两轮迭代把PFAS残留砍掉60%。收敛速度、最终性能，全面碾压人工和标准BO。
解释层：MBNN+SHAP，从原子级重要性图谱到全局特征归因，把“为什么这个条件好、为什么那个分子难降解”算明白了。
验证层：DFT计算，给AI的预测焊上理论基础。官能团能垒差0.40 eV，从热力学上解释了羧基vs磺酸基的降解差异。
最后落在应用上：0.015 ppm残留，两轮迭代——这套“人机协同+可解释AI”的范式，不止PFAS，其他高维参数空间、高实验成本的材料合成与化学反应优化，都能借。
06 中科精研新品发布：小型实验室等离子炬
为进一步拓展超快高温技术在环境修复与材料合成领域的应用边界，中科精研基于焦耳效应，推出小型实验室等离子炬——一款专为科研与小批量实验设计的紧凑型等离子体发生装置。
核心特性
设备类型：直流电弧炬（DC），专为实验室环境设计
完整配置：含电源、电极、气路、冷却系统、喷嘴与控制模块，桌面/台式设计适配实验室空间
应用定位：小功率、高精度、易操作，用于材料、冶金、环境、化工等基础研究与工艺验证
产品参数
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
核心突破
小功率、高精度、易操作，用于材料、冶金、环境、化工等基础研究与工艺验证。
实验室应用场景
材料科学与表面工程：辅助PVD/CVD制备硬质、抗氧化、导电薄膜
高温冶金与材料合成：
粉末球化/致密化：制备高纯度、球形金属/陶瓷粉末（3D打印原料）
纳米材料合成：高温快速合成氧化物、碳化物、氮化物纳米粉
合金熔炼/提纯：小批量难熔合金（钨、钼、钛）熔炼与杂质去除
环境与废物处理：
危废热解/气化：处理电子垃圾、医疗废物、有机污泥，减容+资源化
废气净化：分解VOCs、二噁英、氮氧化物，无二次污染
分析与基础研究：小试工业等离子工艺（喷涂、切割、熔炼）
其他科研应用：
航空航天：高温涂层、陶瓷基复合材料制备
能源：燃料电池电极改性、制氢/合成气制备
文献信息
Accelerate Flash Removal of PFAS from Soil by Human-Guided Bayesian Optimization and Interpretable Machine Learning
ACS Nano, 2026
DOI: 10.1021/acsnano.6c01823
欢迎关注我们的公众号或访问官方网站：
https://www.zhongkejingyan.com.cn/
如果您对上述创新研究所用设备感兴趣，欢迎联系张老师：13121391941
