基于图神经网络的表面活性剂混合物温度依赖CMC预测
化学物理
2024-11-06 v2 机器学习
摘要
表面活性剂是泡沫与清洁产品中的关键成分，广泛应用于个人与家庭护理、工业清洁等领域，其临界胶束浓度（CMC）是关键关注对象。虽然已开发出基于近期机器学习方法的纯表面活性剂CMC预测模型，但实际应用中常使用混合物以获得更佳性能、环保性和成本效益。这要求模型能够考虑表面活性剂之间的协同/抗性相互作用；然而，目前缺乏针对广泛混合物谱的预测模型。本文构建图神经网络（GNN）框架，用于预测表面活性剂混合物的温度依赖CMC。我们收集了108组表面活性剂二元混合物数据，并补充了来自前期工作（Brozos等，2024，J.化学理论计算）的纯物种数据。随后我们构建并训练GNN模型，评估其在不同预测测试情境下的准确性，尤其是与实际应用相关的二元混合物。最终的GNN模型在插值不同混合物配比及新出现的二元混合物（已知组分）时表现出极高的预测性能。对二元混合物的外推预测——即其中一个或两个表面活性剂在训练中未出现——大多数体系也能获得准确结果。我们进一步发现，GNN模型在基于活度系数的半经验模型（该模型至今广泛使用）之上具有优越精度。我们还探讨了仅基于二元混合物与纯物种数据训练的GNN模型是否能准确预测三元混合物的CMC。最后，我们实验测量了4种商业表面活性剂（含最高多达4种成分）的CMC，结果显示测量值与预测值之间一致性很好。
引用
@article{arxiv.2411.02224,
title = {Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks},
author = {Christoforos Brozos and Jan G. Rittig and Elie Akanny and Sandip Bhattacharya and Christina Kohlmann and Alexander Mitsos},
journal= {arXiv preprint arXiv:2411.02224},
year = {2024}
}