评估基于图的深度学习模型预测闪点的性能
计算物理
2020-02-28 v1 材料科学
机器学习
摘要
有机分子的闪点在预防可燃性危害方面起着重要作用，且已存在大量实测值数据库，尽管仍有数百万化合物未被测量。为了将现有数据快速扩展到新化合物，许多研究者已使用定量构效关系（QSPR）分析来有效预测闪点。近年来，基于图的深度学习（GBDL）已成为传统 QSPR 的有力替代方法。本文首次将 GBDL 模型用于闪点预测。我们通过对比方法评估了两种 GBDL 模型——消息传递神经网络（MPNN）与图卷积神经网络（GCNN）——的性能。结果表明，MPNN 既优于 GCNN，又比先前 QSPR 研究性能略差但相当。MPNN 的平均 R2 与平均绝对误差（MAE）得分分别比先前可比研究低 2.3% 和高 2.0 K。为进一步探索 GBDL 模型，我们收集了迄今最大的闪点数据集，包含 10575 个独特分子。优化后的 MPNN 在完整数据集上测试数据 R2 为 0.803、MAE 为 17.8 K。我们还基于分子类型（酸类、有机金属、有机锗、有机硅和有机锡）从集成数据集中提取了 5 个数据集，并探究了模型在这些类别中的质量，对比了 12 项使用更传统方法的先前 QSPR 研究。
引用
@article{arxiv.2002.11315,
title = {Assessing Graph-based Deep Learning Models for Predicting Flash Point},
author = {Xiaoyu Sun and Nathaniel J. Krakauer and Alexander Politowicz and Wei-Ting Chen and Qiying Li and Zuoyi Li and Xianjia Shao and Alfred Sunaryo and Mingren Shen and James Wang and Dane Morgan},
journal= {arXiv preprint arXiv:2002.11315},
year = {2020}
}
备注
26 pages, 6 tabels, 3 figures