文章提出了一种基于深度学习的框架，用于预测盐类水合反应的关键热力学性质，如水合焓、产物密度和体积能量密度。该框架仅需化学计量比作为输入，无需复杂的特征工程。通过结合预定义表示和可学习表示，模型在5711个水合反应数据集上表现出色，预测精度优于传统方法。研究还通过实验验证了模型预测的准确性，成功合成了Rb2Cu(SO4)2·6H2O等新型盐类水合物，为热化学储能材料的开发提供了高效的数据驱动方法。
热化学储能技术因其高能量密度和长期循环稳定性而备受关注，其中盐类水合反应是最具潜力的平台之一。然而，盐类水合物的理性发现面临巨大挑战，主要受限于庞大的化学设计空间和实验数据的稀缺性。文章提出了一种深度学习框架，能够直接从化学计量比预测盐类水合反应的热力学性质，为新型储能材料的发现提供了高效途径。
研究使用了两个数据集：基于DFT计算的D_DFT数据集和基于实验数据的D_exp数据集。合并后的D_m数据集包含5711个水合反应，涵盖了水合焓、产物密度和体积能量密度等关键性质。
文章提出了两种主要模型架构：基于预定义表示的ReacCryNet和ReacElement，以及基于可学习表示的ReacRoostC和ReacRoostE。这些模型仅需化学计量比作为输入，通过深度神经网络学习复杂的非线性化学趋势。
通过10折交叉验证，模型在预测体积能量密度时表现出最高精度（R²=0.9-0.95），水合焓的预测精度相对较低（R²=0.62-0.67）。ReacRoost架构整体优于基于预定义表示的模型，展示了可学习表示的优势。
研究通过差示扫描量热法（DSC）验证了模型预测的准确性。实验合成的Rb2Cu(SO4)2·6H2O等盐类水合物的体积能量密度与预测值高度吻合，误差在可接受范围内。这一结果证实了深度学习模型在新型热化学储能材料发现中的实用性。
文章提出的深度学习框架为盐类水合反应的性质预测提供了高效工具，成功指导了新型热化学储能材料的实验发现。未来工作可进一步扩展模型的应用范围，并结合材料稳定性预测，加速功能材料的开发进程。