自适应贝叶斯实验设计高效测定表面活性剂临界胶束浓度

《Langmuir》：Adaptive, Bayesian Experimental Design to Efficiently Determine the Critical Micelle Concentration of a Surfactant

　　

研究人员采用自适应贝叶斯实验设计（Bayesian Experimental Design, BED）方法，针对表面活性剂在水溶液中的关键热力学参数——临界胶束浓度（Critical Micelle Concentration, CMC）的高效测定问题开展研究。传统CMC测定方法需在宽浓度范围内制备大量溶液并逐一测量表面张力，耗时耗力且产生较多化学废液。本研究提出的BED方法通过“实验-模型-设计”反馈循环实现自适应优化：首先制备单一浓度表面活性剂溶液并测量表面张力；其次基于已有数据更新表面张力等温线的概率模型参数后验分布；最后选择能使CMC预期信息增益最大的浓度进行下一实验。研究以辛基-β-D-硫代葡萄糖苷（OTG）和Triton X-100为对象验证表明，该方法可在未知CMC数量级的情况下，将所需实验次数减少至传统方法的1/2至2/3，显著降低时间、成本及废液量，并为自主实验室的表面活性剂筛选与表征提供决策支持。

研究背景与意义

表面活性剂（SURFace ACTing AgeNT）因其两亲性结构广泛应用于洗涤剂、医药、食品及石油开采等领域。临界胶束浓度（CMC）是其核心热力学参数，标志着表面张力随浓度变化的拐点及胶束形成的起始点。传统CMC测定依赖静态实验设计，需在宽浓度范围内制备数十个样品并通过表面张力法或电导率法等表征，存在效率低、资源消耗大等问题。随着自主实验室的发展，亟需开发高效、自适应的实验设计策略。《Langmuir》刊发的本研究提出基于贝叶斯实验设计（BED）的动态优化方法，旨在减少实验次数并提升CMC测定的效率与可靠性。

关键技术方法

研究采用Wilhelmy板法测量表面张力，结合热力学模型描述表面张力等温线：低于CMC时用Langmuir-Szyszkowski方程，高于CMC时为平台区。通过贝叶斯推断更新模型参数（含CMC）的后验分布，利用马尔可夫链蒙特卡洛（MCMC）采样（No-U-Turn采样器）估计后验，并以信息熵量化不确定性。实验设计阶段通过计算各候选浓度的预期信息增益（Expected Information Gain, EIG），选择最大化EIG的浓度进行下一实验。研究以OTG和Triton X-100为案例，分别采用均匀先验和log-均匀先验模拟不同先验知识场景，并通过后验衍生神谕（oracle）模拟静态设计作为基线对比。

研究结果

Case 1: Surfactant OTG (Uniform Prior over the CMC)

研究人员对OTG施加[0, 30] mol/m³的均匀先验，初始实验选取浓度区间两端点。BED后续选择的浓度呈现类似二分法的趋势，但包含回溯调整。最终CMC后验90%等尾可信区间为[8.62, 11.21] mol/m³，与文献值一致。与传统静态均匀设计相比，BED仅需约半数实验即可达到相同的不确定性水平。

Case 2: Surfactant Triton X-100 (Log-Uniform Prior over the CMC)

针对Triton X-100，研究人员采用log-均匀先验[0.001, 10] mol/m³（未知数量级）。BED选择的浓度序列呈渐进式趋近CMC，最终可信区间为[0.35, 0.54] mol/m³，符合文献报道。与静态log-均匀设计相比，BED实验效率提升约1.5倍。

Comparing Cases 1 and 2

两种案例的决策模式差异源于先验分布形式，但均表现出自适应回溯特性，优于固定搜索算法。传统方法需约20次实验，而BED可将实验量减少一半，显著降低人力与时间成本。

讨论与结论

研究证实，BED通过动态融合实验数据与热力学模型，可高效确定表面活性剂CMC，且兼容不同先验知识场景。其局限性在于依赖预设参数模型的准确性，未来可通过引入模型偏差项或贝叶斯模型平均提升鲁棒性。此外，测量噪声的同方差假设、批量实验设计扩展及计算效率优化（如变分推断替代MCMC）亦是重要改进方向。该方法不仅可减少实验资源消耗，还可作为自主实验室的决策引擎，推动表面活性剂的高通量筛选与表征。论文强调，BED在化学实验设计中兼具效率与灵活性，为表面活性剂科学及自适应实验方法学提供了可推广的范式。