El enfriamiento líquido (LC) es cada vez más importante para la gestión térmica en sistemas electrónicos de alta potencia, sin embargo, la identificación de fluidos de trabajo adecuados sigue limitada por una comprensión insuficiente de las relaciones entre la estructura molecular y las propiedades, y la dependencia de evaluaciones empíricas. En este trabajo, desarrollamos un marco de aprendizaje automático (ML) interpretable para la evaluación sistemática de materiales de LC basado en la entalpía de vaporización, un parámetro termodinámico clave que rige la capacidad de transferencia de calor por cambio de fase. Se construyó un conjunto de datos curado de 2474 compuestos orgánicos utilizando descriptores moleculares derivados de SMILES, y se entrenaron y optimizaron múltiples modelos de regresión. El modelo de árbol de decisión de impulso por gradiente (GBDT) logró un R2 de conjunto de prueba de 0.99 bajo división aleatoria y se aplicó posteriormente para evaluar 136 compuestos candidatos. Evaluaciones adicionales de accesibilidad sintética, seguridad y compatibilidad de temperatura de funcionamiento permitieron la priorización de materiales de LC prometedores. Los análisis de interpretabilidad identifican cuatro características moleculares clave: polaridad, flexibilidad conformacional, interacciones intermoleculares y tamaño molecular, como factores influyentes en la energetica de vaporización dentro del espacio químico estudiado. La regresión simbólica complementaria y las simulaciones de dinámica molecular cualitativa proporcionan información mecanicista sobre el papel de la flexibilidad molecular. Este trabajo establece una estrategia computacional reproducible e interpretable para la evaluación informada por datos y el diseño racional de materiales de LC, con extensión potencial a otras propiedades termo-físicas y sistemas líquidos relevantes para la energía.
Feng et al. (Mon,) estudiaron esta cuestión.