将理论融入深度学习以实现可解释的 reactivity 预测
化学物理
2021-11-17 v2
摘要
尽管在数据获取与算法开发方面取得了近期进展，机器学习（ML）在实用催化剂设计中仍面临巨大挑战，主要源于其有限的泛化能力与较差的可解释性。在此，我们开发了一种理论融合神经网络（TinNet）方法，将深度学习算法与成熟的化学吸附 d 带理论相结合，用于过渡金属表面的 reactivity 预测。以活性位集合上的简单吸附质（如 *OH、*O 和 *N）作为代表性描述符物种，我们证明 TinNet 在预测性能上与纯数据驱动的 ML 方法相当，同时具有内在可解释性。将物理相互作用的科学知识融入数据学习，进一步揭示了化学键的本质，并为具有期望催化性质的 ML 新型基元发现开辟了新途径。
引用
@article{arxiv.2103.15210,
title = {Infusing Theory into Deep Learning for Interpretable Reactivity Prediction},
author = {Shih-Han Wang and Hemanth Somarajan Pillai and Siwen Wang and Luke E. K. Achenie and Hongliang Xin},
journal= {arXiv preprint arXiv:2103.15210},
year = {2021}
}