GLaD: 协同分子图和语言描述符以增强有机光伏器件功率转换效率预测
机器学习
2024-05-24 v1 人工智能
化学物理
摘要
本文提出了一种预测有机光伏（OPV）器件功率转换效率（PCE）的新方法，称为GLaD：协同分子图和语言描述符以增强PCE预测。由于缺乏高质量实验数据，我们收集了一个包含500对OPV供体和受体分子及其相应PCE值的数据集，并将其用作预测模型的训练数据。在这种低数据量情况下，GLaD利用从大规模科学文献预训练的大型语言模型（LLM）中学习到的属性来丰富分子结构表示，从而实现分子的多模态表示。GLaD实现了PCE的精确预测，从而有助于合成具有更高效率的新型OPV分子。此外，GLaD展示了其多功能性，可应用于一系列分子属性预测任务（BBBP、BACE、ClinTox和SIDER），不仅限于OPV材料。特别是，GLaD在化学空间中的低数据量任务中证明是有价值的，因为它通过结合从大规模预训练中学习到的分子属性描述来丰富分子表示。这种能力在现实世界的科学努力（如药物和材料发现）中具有重要意义，在这些领域中，获取全面数据对于明智决策和高效探索化学空间至关重要。
引用
@article{arxiv.2405.14203,
title = {GLaD: Synergizing Molecular Graphs and Language Descriptors for Enhanced Power Conversion Efficiency Prediction in Organic Photovoltaic Devices},
author = {Thao Nguyen and Tiara Torres-Flores and Changhyun Hwang and Carl Edwards and Ying Diao and Heng Ji},
journal= {arXiv preprint arXiv:2405.14203},
year = {2024}
}
备注
In progress