01 / RESEARCH QUESTION
研究问题
972条记录、15个描述符，TrAdaBoost.R2迁移预测结合SAC静态联合设计。
将跨域迁移预测与目标反向设计衔接，形成面向污染物类别的膜结构和运行条件联合设计流程。
02 / METHODS
研究思路与图1
图1a 源域与目标域
区分数据较丰富和较稀疏的污染物类别，先分析域间分布差异，明确迁移任务。
图1b 迁移预测
TrAdaBoost.R2利用源域与目标域样本建立截留模型，结合可解释分析理解预测依据。
图1c 目标反向设计
通过强化学习搜索满足目标截留率的膜和运行条件。本文在静态代理模型上开展候选设计。
数据。972条记录包含药物源域和五类污染物目标域。15个描述符涵盖分子相互作用参数、尺寸比、膜性质与运行条件，采用TrAdaBoost.R2建立迁移预测模型。
03 / FINDINGS
核心结果
抗生素预测R²由0.58提升至0.74，PFAS由0.42提升至0.51。SAC在训练后的代理模型上搜索MWCO、压力、pH、电位和接触角，给出面向95%截留目标的候选设计。
04 / GLOSSARY
术语说明
- R²
- 决定系数：衡量模型对目标变量变化的解释程度。
- RMSE
- Root Mean Square Error｜均方根误差：预测误差的量级，单位随目标变量而定。
- PDP
- Partial Dependence Plot｜部分依赖图：展示模型平均响应。
- TrOC
- Trace Organic Contaminant｜痕量有机污染物。
- PFAS
- Per- and Polyfluoroalkyl Substances｜全氟和多氟烷基物质。
- CP
- Concentration Polarization｜浓差极化。
- SAC
- 本文语境需区分：强化学习中为Soft Actor-Critic（软演员—评论家）；电容去离子中为Salt Adsorption Capacity（盐吸附容量）。
05 / REFERENCE
论文来源
Zhanlin Ji 等
From cross-domain prediction to inverse design: A transfer learning reinforcement learning framework for nanofiltration of contaminants
Separation and Purification Technology 414 (2026) 139781
DOI: 10.1016/j.seppur.2026.139781 ↗图表来源：上述论文原图。研究解读据科研成果汇报材料整理；模型候选设计与实验验证结果按原文区分。