随着新污染物在水环境中的持续检出，其潜在生态与健康风险受到广泛关注。紫外高级氧化过程（UV-AOPs）能够利用紫外光激活过氧化氢、过硫酸盐等氧化剂，产生羟基自由基等高活性物种，对多种难降解有机污染物实现高效去除。然而，UV-AOPs涉及光吸收、氧化剂活化、自由基生成与消耗、污染物竞争反应以及水体基质效应等复杂过程，其处理效率、反应动力学和运行能耗受到多种因素共同影响，传统实验方法难以实现快速预测和高效优化。近年来，机器学习技术快速发展，为从复杂数据中挖掘UV-AOPs运行规律、提升过程预测与优化能力提供了新的技术路径。

对此，课题组发表综述论文，系统总结了机器学习在UV-AOPs中的研究进展，并重新审视了人工智能在高级氧化水处理中的作用。文章重点梳理了机器学习在微污染物降解性能预测、二级反应速率常数预测、反应机制分析以及运行条件优化四个方面的应用，比较了不同机器学习方法在数据需求、预测性能和任务适用性方面的特点，并进一步总结了当前机器学习在UV-AOPs研究面临的数据规模有限、实验条件异质、跨水体基质迁移能力不足以及机理信息缺失等关键瓶颈。

在此基础上，文章提出了UV-AOPs智能化发展值得重点关注的方向，包括利用机器学习预测直接光解关键参数，实现不同波长下光解潜力的高通量评估，从降解效率预测拓展至自由基稳态浓度与暴露量的定量表征，进一步开展转化产物识别与毒性预测，以及利用大语言模型自动提取文献中的反应条件、动力学参数和水质基质信息，构建可持续更新的UV-AOP知识数据库，为高质量数据集和模型泛化提供支撑。

本研究以“Harnessing Machine Learning to Enhance UV-based Advanced Oxidation Processes for Sustainable Micropollutant Abatement”为题，发表于水环境领域顶级期刊Environmental Science & Technology（原文链接：https://doi.org/10.1021/acs.est.6c00957）。南京大学博士生李柏翰为论文第一作者，南京大学任鑫坤副教授、殷冉副教授为论文共同通讯作者。研究得到了国家自然科学基金基础科学中心项目、国家自然科学基金/香港研究资助局联合科研计划、江苏省自然科学基金、江苏省半导体激光与传感技术重点实验室以及苏州市创新创业领军人才计划等项目的资助。