一种利用迁移学习预测离子液体性质的神经推荐系统
机器学习
2025-11-24 v2
摘要
离子液体（ILs）已成为传统溶剂的多功能替代品，因为其物理化学性质可以根据各种应用进行精确定制。然而，由于巨大的化学设计空间和有限的实验数据可用性，准确预测关键的热物理性质仍然具有挑战性。在本研究中，我们提出了一个数据驱动的迁移学习框架，结合神经推荐系统（NRS），以利用稀疏的实验数据集实现对 ILs 的可靠性质预测。该方法包括一个两阶段过程：首先，在固定温度和压力下，基于 COSMO-RS 的模拟数据预训练 NRS 模型；其次，利用不同温度和压力下的实验数据微调简单的前馈神经网络。在这项工作中，考虑了五种基本的 IL 性质：密度、粘度、表面张力、热容和熔点。我们发现该框架支持性质内和性质间的知识迁移。值得注意的是，用于密度、粘度和热容的预训练模型被用来微调所有五种目标性质的模型，其中四种性质的性能得到了显著提升。该模型对未见过的 ILs 表现出稳健的外推能力。此外，最终训练好的模型能够预测超过 700,000 种 IL 组合的性质，为过程设计中的 IL 筛选提供了可扩展的解决方案。这项工作突出了结合模拟数据和迁移学习来克服实验数据稀疏性的有效性。
引用
@article{arxiv.2509.10273,
title = {A neural recommender system leveraging transfer learning for property prediction of ionic liquids},
author = {Sahil Sethi and Kai Sundmacher and Caroline Ganzer},
journal= {arXiv preprint arXiv:2509.10273},
year = {2025}
}