应用机器学习技术预测含能材料的性能

我们提出一个概念验证，表明机器学习技术可用于根据其分子结构预测 CNOHF 含能分子的性能。我们聚焦于一个虽小但多样的数据集，包含分布于十个化合物类别的 109 个分子结构。迄今为止，含能材料的候选分子一直通过昂贵的量子模拟与热化学代码的预测进行筛选。我们给出了机器学习模型与若干分子特征化方法的全面比较——键加和、自定义描述符、库仑矩阵、键袋与指纹。最佳特征化方法是键加和（键计数），最佳模型为核岭回归。尽管数据集较小，我们在样本外预测爆轰压力、爆轰速度、爆炸能量、生成热、密度及其他性能时获得了可接受的误差与皮尔逊相关系数。通过在训练中纳入另一个含 309 个额外分子的数据集，我们展示了如何将误差进一步降低，尽管随分子数增加的收敛很慢。我们的工作为该领域机器学习未来的应用铺平了道路，包括自动化先导生成与解释机器学习模型以获得新颖化学见解。