基于 KAN 分析可解释框架用于全球变暖潜能预测
机器学习
2024-11-04 v1 系统与控制
系统与控制
摘要
准确预测全球变暖潜能（GWP）对于评估化学过程和材料的环境影响至关重要。传统的 GWP 预测模型主要依赖分子结构，忽视了关键的工艺相关信息。本研究提出了一种集成 GWP 预测模型，将分子描述子（MACCS 键和 Mordred 描述子）与工艺信息（工艺标题、描述和位置）相结合，以提高预测准确性和可解释性。使用深度神经网络（DNN）模型，在包含 Mordred 描述子、工艺位置和描述信息的测试数据上实现了 86% 的 R 平方值，较先前基准的 61% 提升了 25%；XAI 分析进一步突显了工艺标题嵌入在提升模型预测中的重要作用。为增强可解释性，我们采用 Kolmogorov-Arnold 网络（KAN）推导出 GWP 预测的符号公式，捕捉关键分子和工艺特征，为黑箱模型提供透明、可解释的替代方案，使用户能够洞察影响 GWP 的分子因素和工艺因素。误差分析显示，该模型在数据密集区域表现可靠，对于更高的 GWP 值不确定性较大。该分析使用户能够有效管理预测不确定性，支持数据驱动的化学与工艺设计决策。我们的结果表明，在 GWP 预测模型中集成分子和工艺层面信息可显著提升准确性和可解释性，为可持续性评估提供了有价值的工具。未来工作可将此方法扩展到其他环境影响类别，并进一步细化模型以提高其预测可靠性。
引用
@article{arxiv.2411.00426,
title = {A KAN-based Interpretable Framework for Process-Informed Prediction of Global Warming Potential},
author = {Jaewook Lee and Xinyang Sun and Ethan Errington and Miao Guo},
journal= {arXiv preprint arXiv:2411.00426},
year = {2024}
}