MultiDK：用于分子发现的多种描述符多核方法及其在发现有机液流电池电解质中的应用
化学物理
2016-06-10 v1
摘要
我们提出了一种用于高效分子发现的多种描述符多核（MultiDK）机器学习方法。结果表明，MultiDK 方法同时提高了分子性质预测的速度和精度。我们将该方法应用于水系氧化还原液流电池电解质分子的发现。通过使用多类型描述符（而非单类型描述符），可以获得更多与机器学习相关的特征。遵循“群体智慧”原则，多类型描述符的组合显著提升了预测性能。此外，通过采用多核（即对一组输入描述符使用多个核函数），MultiDK 能比线性回归方法更好地利用分子结构与性质关系之间的不规则性。这些多核由 Tanimoto 相似度函数和线性核分别构成，对应于一组二元描述符和一组非二元描述符。使用 MultiDK，我们在一组分子的溶解度预测中实现了 的平均性能。我们还将 MultiDK 扩展至预测 pH 依赖性溶解度，并将其应用于具有可电离官能团的醌类分子的溶解度估算，这些分子被认为是液流电池电解质的有力候选者。
引用
@article{arxiv.1606.02759,
title = {MultiDK: A Multiple Descriptor Multiple Kernel Approach for Molecular Discovery and Its Application to The Discovery of Organic Flow Battery Electrolytes},
author = {Sung-Jin Kim and Adrián Jinich and Alán Aspuru-Guzik},
journal= {arXiv preprint arXiv:1606.02759},
year = {2016}
}
备注
35 pages, 17 figures