利用分子描述符与可解释图神经网络预测离子液体中的 CO$_2$ 吸收
化学物理
2022-11-10 v2 机器学习
摘要
离子液体（ILs）为缓解全球变暖的 CO 捕集与封存提供了有前景的方案。然而，从巨大的化学空间中识别并设计高容量 IL 需要昂贵且详尽的模拟与实验。机器学习（ML）可通过数据驱动方式以准确高效的属性预测加速搜索理想离子分子的过程。但现有的离子分子描述符与 ML 模型存在分子图结构适配低效的问题。此外，极少有工作研究 ML 模型的可解释性，以助于理解所学特征从而指导高效离子分子的设计。在本工作中，我们开发了基于指纹的 ML 模型与图神经网络（GNNs）来预测 ILs 中的 CO 吸收。指纹在特征提取阶段作用于图结构，而 GNNs 在特征提取与模型预测阶段直接处理分子结构。我们表明，我们的方法以高准确度（MAE 为 0.0137， 为 0.9884）优于先前的 ML 模型。此外，我们利用 GNNs 特征表示的优势，开发了一种基于子结构的解释方法，可洞察 IL 分子内各化学片段如何对 ML 模型的 CO 吸收预测做出贡献。我们还表明，我们的解释结果与 ILs 中 CO 吸收理论反应机理的若干 ground truth 一致，这可为未来设计新型高效功能性 ILs 提供建议。
引用
@article{arxiv.2210.01120,
title = {Predicting CO$_2$ Absorption in Ionic Liquids with Molecular Descriptors and Explainable Graph Neural Networks},
author = {Yue Jian and Yuyang Wang and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2210.01120},
year = {2022}
}