用于离子液体中溶质温度依赖活度系数预测的图神经网络
机器学习
2024-01-17 v1 化学物理
摘要
离子液体（ILs）是可持续过程的重要溶剂，需预测溶质在 ILs 中的活度系数（ACs）。近期，矩阵补全方法（MCMs）、transformers 与图神经网络（GNNs）在预测二元混合物 ACs 上展现出高准确度，优于成熟模型如 COSMO-RS 与 UNIFAC。GNNs 在此尤为可观，因其学习分子图到性质的映射而无需 transformers 通常所需的预训练，且不同于 MCMs，可应用于未含于训练中的分子。然而，对 ILs 的 GNN 应用目前尚缺。本文中，我们提出一 GNN 以预测 ILs 中溶质的温度依赖无限稀释 ACs。我们在含逾 40,000 个 AC 值的数据库上训练 GNN，并将其与最先进 MCM 比较。GNN 与 MCM 取得相似的高预测性能，且 GNN 额外能对含训练未考虑 ILs 与溶质的溶液 ACs 作高质量预测。
引用
@article{arxiv.2206.11776,
title = {Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids},
author = {Jan G. Rittig and Karim Ben Hicham and Artur M. Schweidtmann and Manuel Dahmen and Alexander Mitsos},
journal= {arXiv preprint arXiv:2206.11776},
year = {2024}
}
备注
16 pages, 4 figures, 5 tables