基于化学反应神经网络从数据中自主发现未知反应路径
分子网络
2021-01-22 v2 机器学习
化学物理
机器学习
摘要
化学反应发生于能源、环境、生物及许多其他自然系统中，推断反应网络对于理解和设计工程与生命科学中的化学过程至关重要。然而，由于对所涉物种与反应缺乏认知，揭示复杂系统与过程的反应路径仍具挑战。本文提出一种从时间分辨物种浓度数据中自主发现反应路径的神经网络方法。所提出的化学反应神经网络（Chemical Reaction Neural Network, CRNN）在设计上满足质量作用定律与阿伦尼乌斯定律等基本物理定律。因此，CRNN具有物理可解释性，可从神经网络权重中同时解读反应路径并量化动力学参数。化学路径的推断通过随机梯度下降以物种浓度数据训练CRNN完成。我们展示了该方法在阐明若干化工与生化系统化学反应路径方面的成功应用与鲁棒性。CRNN方法的自主推断免除了提出候选网络所需的专家知识，并解决了复杂系统中的维数灾难问题。其物理可解释性还使CRNN不仅能拟合给定系统数据，还能发展可推广至相似化学系统的未知路径知识。
引用
@article{arxiv.2002.09062,
title = {Autonomous Discovery of Unknown Reaction Pathways from Data by Chemical Reaction Neural Network},
author = {Weiqi Ji and Sili Deng},
journal= {arXiv preprint arXiv:2002.09062},
year = {2021}
}