面向高辛烷值燃料设计的图机器学习
机器学习
2024-01-17 v2
摘要
具有高抗爆性的燃料可使现代火花点火发动机实现高效率，从而低二氧化碳排放。因此，识别具有所需自燃特性（以高研究法辛烷值和高辛烷值敏感度表征）的分子具有重大实际意义，并可借助计算机辅助分子设计（CAMD）予以支撑。图机器学习（graph-ML）领域的近期进展为CAMD提供了新颖且前景广阔的的工具。我们提出了一种模块化图机器学习CAMD框架，将生成式图机器学习模型与图神经网络及优化相集成，从而在连续分子空间中设计具有所需点火特性的分子。特别地，我们探索了贝叶斯优化与遗传算法结合生成式图机器学习模型的潜力。该图机器学习CAMD框架成功识别出公认的高辛烷值组分，并提出了新的候选分子，其中我们对一个候选分子进行了实验研究，并借此说明进一步获取自燃训练数据的必要性。
引用
@article{arxiv.2206.00619,
title = {Graph Machine Learning for Design of High-Octane Fuels},
author = {Jan G. Rittig and Martin Ritzert and Artur M. Schweidtmann and Stefanie Winkler and Jana M. Weber and Philipp Morsch and K. Alexander Heufer and Martin Grohe and Alexander Mitsos and Manuel Dahmen},
journal= {arXiv preprint arXiv:2206.00619},
year = {2024}
}
备注
manuscript (26 pages, 9 figures, 2 tables), supporting information (12 pages, 8 figures, 1 table)