香精是与人类社会生活密切相关的特殊产品,能够提升各类化学产品的质量,继而提高其竞争力。然而当前香精产品的设计仍主要依赖人工经验以及实验手段,因此需要消耗巨额的人力与物力。近年来,以计算机辅助分子设计(Computer-Aided Molecular Design,CAMD)为主要发展方向的产品工程方法已应用于众多的化学产品设计中。CAMD基于机理性的性质模型,能够根据需求设计候选产品,极大地缩短了研发周期。而以人工神经网络(Artificical Neural Network,ANN)为代表的机器学习(Machine Learning,ML)受到日益增加的关注,ML能够基于已有数据建立结构-气味关系(Structure-Odor Relationship,SOR)预测气味。因此,本文提出了混合ML以及机理模型的香精产品设计方法,设计单组分香精以及混合组分香精。文中将阐述如下内容:(1)引入了一种基于COSMO模型的分子表面电荷密度分布描述符,通过ML将分子描述符与气味性质关联。提出了基于ML的SOR构建流程用于建立ML模型来预测气味。并针对ANN训练时常见的参数选择问题,提出了一种贪心式调参策略,能够保证模型在不陷入过拟合的前提下提高模型精度。最后验证了ML模型的性能,确保模型能够用于单组分香精以及混合组分香精的设计。(2)建立了集成ML的计算机辅助香精分子设计(Computer-Aided Aroma Design,CAAD)框架。首先确定香精的产品需求并将其转化为对应的理化性质,然后将香精分子设计问题转化成一个集成ML以及机理模型的混合整数非线性规划问题(MixedInteger Non-Linear Programming,MINLP),最后用分解式求解策略进行求解:第一步,同步求解包含结构约束以及线性性质约束的问题;第二步,使用非线性性质约束筛选上一步的解集;第三步,通过ML验证之前产生的候选分子的气味,最终完成设计。本文以蜡烛香精为例,最终获得5种已经作为香精、并在消费品中出现的分子,验证了框架的实用性。(3)提出了基于ML的计算机辅助混合香精设计(Computer-Aided Mixed Fragrance Design,CAMFD)框架。首先确定产品需求以及对应的理化性质,然后应用ML根据目标性质直接预测混合香精的描述符,最后采用生成-测试法——首先基于预测结果在数据库中生成候选混合香精,再通过机理模型验证组分的性质。该方法被应用于设计丙酸叶醇酯的混合香精替代物,通过数据库以及实验验证,成功地筛选出2种气味与丙酸叶醇酯近似的混合香精产品,证明了框架的有效性。