可解释化学的AI：通过对比学习预测自由基机理路径
机器学习
2023-11-03 v1 化学物理
摘要
基于深度学习的反应预测器经历了显著的架构演进。然而，其对美国专利局反应数据的依赖导致预测缺乏可解释性，且向其他化学领域（如自由基与大气化学）的泛化能力有限。为应对这些挑战，我们引入了一种新的反应预测器系统RMechRP，该系统利用对比学习与机理路径（化学反应最具可解释性的表示）相结合。RMechRP专为自由基反应设计，提供化学反应不同层次的解释。我们使用自由基反应公共数据库RMechDB开发并训练了多个深度学习模型，以建立预测自由基反应的首个基准。我们的结果证明了RMechRP在提供准确且可解释的自由基反应预测方面的有效性，及其在大气化学中多种应用的潜力。
引用
@article{arxiv.2311.01118,
title = {AI for Interpretable Chemistry: Predicting Radical Mechanistic Pathways via Contrastive Learning},
author = {Mohammadamin Tavakoli and Yin Ting T. Chiu and Alexander Shmakov and Ann Marie Carlton and David Van Vranken and Pierre Baldi},
journal= {arXiv preprint arXiv:2311.01118},
year = {2023}
}