HANNA：用于一致活度系数预测的硬约束神经网络
机器学习
2024-12-05 v1
摘要
我们提出了第一个用于预测活度系数的硬约束神经网络 (HANNA)，这是一种热力学混合物性质，构成许多科学和工程应用的基础。不同于传统神经网络忽略物理定律导致预测不一致，我们的模型被设计为严格遵守所有热力学一致性准则。通过利用深度集合神经网络，HANNA 在组件排列上保持对称性。此外，通过在网络架构中硬编码物理约束，我们确保与 Gibbs-Duhem 方程的一致性并建模纯组件。该模型在德慕顿数据库中针对二进制混合物的 317,421 条活度系数数据进行训练和评估，显著优于当前最先进模型 UNIFAC。此外，HANNA 只需要组件的 SMILES 作为输入，使其适用于任何感兴趣的二进制混合物。HANNA 完全开源，可免费使用。
引用
@article{arxiv.2407.18011,
title = {HANNA: Hard-constraint Neural Network for Consistent Activity Coefficient Prediction},
author = {Thomas Specht and Mayank Nagda and Sophie Fellenz and Stephan Mandt and Hans Hasse and Fabian Jirasek},
journal= {arXiv preprint arXiv:2407.18011},
year = {2024}
}