MolSets：用于混合物性质建模的分子图 Deep Sets 学习
机器学习
2024-06-13 v1 材料科学
摘要
机器学习（ML）的最新进展加速了材料的发现与设计。材料机器学习面临的一个重大挑战是由不同成分及其灵活构型形成的潜在材料的巨大组合空间。这种复杂性在分子混合物中尤为明显，这是电池电解质等材料经常探索的空间。由于分子的复杂结构和混合物的序列无关性，传统的机器学习方法难以对此类系统进行建模。在此，我们提出了 MolSets，一种专为分子混合物设计的机器学习模型。MolSets 将单个分子表示为图，将其混合物表示为集合，利用图神经网络和 deep sets 架构在分子层面提取信息并在混合物层面进行聚合，从而在解决局部复杂性的同时保持全局灵活性。我们展示了 MolSets 在预测锂电池电解质电导率方面的有效性，并突出了其在组合化学空间虚拟筛选中的优势。
引用
@article{arxiv.2312.16473,
title = {MolSets: Molecular Graph Deep Sets Learning for Mixture Property Modeling},
author = {Hengrui Zhang and Jie Chen and James M. Rondinelli and Wei Chen},
journal= {arXiv preprint arXiv:2312.16473},
year = {2024}
}
备注
21 pages, 4 figures, 2+4 tables, working paper