JR-MPNN：结合Joback基团贡献法与消息传递神经网络的混合热物性预测模型

在化学工程领域，准确预测热物理性质是工艺设计的基础。传统方法各有局限，而JR-MPNN创新地将经典Joback基团贡献法（物理先验）与现代消息传递神经网络（MPNN，数据驱动）结合，既保留可解释性又提升预测能力，为热物性预测提供了新方案。

热物理性质（沸点、临界温度等）直接影响化工工艺设计，但实验获取成本高、周期长。预测面临三大挑战：分子结构复杂非线性、数据分布稀疏、需平衡准确性与泛化能力。

Joback法核心是分子性质由基团贡献加和得到，优势是简单快速、物理意义明确、对数据需求低；局限是忽略基团相互作用和分子拓扑结构，复杂分子预测误差大。

MPNN将分子表示为图（原子为节点、化学键为边），通过消息传递捕捉原子间长程相互作用，优势是表达能力强；但纯数据驱动模型依赖数据、解释性差（黑箱）。

JR-MPNN将Joback基团贡献作为物理先验嵌入网络（如额外输入或输出约束），同时用MPNN捕捉基团贡献法忽略的协同效应（氢键、共轭体系等），兼顾鲁棒性与表达力。

采用多任务学习提升数据效率；损失函数考虑量纲差异与权重，数据稀少时用Joback预测做软目标（知识蒸馏）；引入注意力机制识别关键分子片段，增强解释性。

可用于分子设计筛选、工艺模拟补数据、教学辅助；更重要的是展示了"物理启发机器学习"范式，可推广到材料性质、反应动力学等领域，为研究者提供参考路线。