用于预测二元混合物性质的分层矩阵补全
机器学习
2024-10-10 v1
摘要
预测混合物的热力学性质对于化学工程中的过程设计和优化至关重要。机器学习(ML)方法在该领域日益受到关注，但用于训练的实验数据通常稀缺，这阻碍了其应用。在这项工作中，我们引入了一种新颖的通用方法来改进数据驱动模型：受古老规则“相似相溶”的启发，我们将行为相似的组分归并为化学类别，并在分层方法的第一步中对它们进行联合建模。虽然类别归属信息原则上可以来自任何来源，但我们展示了如何仅基于混合物数据通过凝聚聚类可重复地定义类别。然后，来自此聚类步骤的信息被用作拟合个体数据的先验信息。我们通过将这种方法与矩阵补全方法(MCM)结合应用于预测二元混合物中无限稀释等温活度系数，展示了其优势。与不使用聚类的MCM相比，使用聚类可以显著改进预测。此外，从聚类中学到的化学类别为在分子层面上建模给定混合物性质的关键因素提供了令人兴奋的见解。
引用
@article{arxiv.2410.06060,
title = {Hierarchical Matrix Completion for the Prediction of Properties of Binary Mixtures},
author = {Dominik Gond and Jan-Tobias Sohns and Heike Leitte and Hans Hasse and Fabian Jirasek},
journal= {arXiv preprint arXiv:2410.06060},
year = {2024}
}