用于燃料逆向设计的生成式深度学习框架
机器学习
2025-10-15 v3 化学物理
摘要
本文发展了一种结合 Co-优化变分自编码器 (Co-VAE) 架构与定量结构-性质关系 (QSPR) 技术的生成式深度学习框架，以加速燃料的逆向设计。Co-VAE 集成了一个属性预测组件，耦合于 VAE 潜在空间，从而增强了分子重构并准确估计研究机-octane number (RON)（作为燃料感兴趣的属性）。使用以精选 RON 数据库丰富的 GDB-13 数据库子集进行模型训练。进一步利用超参数调优优化恢复保真度、化学有效性和 RON 预测之间的平衡。随后使用独立回归模型细化 RON 预测，而采用差分进化算法高效导航 VAE 潜在空间，识别具有高 RON 的有前景的燃料分子候选对象。该方法通过在综合潜在表示中捕获复杂结构-性质关系，解决了传统燃料筛选方法的局限性。该生成模型可适用于不同目标属性，实现燃料设计相关大化学空间的系统性探索。此外，该证明的框架可通过纳入额外的可合成性标准来提高适用性和可靠性，以用于新燃料的原创设计。
关键词
引用
@article{arxiv.2504.12075,
title = {Generative Deep Learning Framework for Inverse Design of Fuels},
author = {Kiran K. Yalamanchi and Pinaki Pal and Balaji Mohan and Abdullah S. AlRamadan and Jihad A. Badra and Yuanjiang Pei},
journal= {arXiv preprint arXiv:2504.12075},
year = {2025}
}