PUFFIN：一种用于蒸气压预测的路径统一前馈接口网络
化学物理
2023-07-11 v2 机器学习
摘要
准确预测蒸气压对于各种工业和环境应用至关重要。然而，由于实验所需的资源和人力密集，无法对所有关注化合物获取精确测量值。当需要进一步得到预测蒸气压的温度依赖关系时，对资源和人力的需求进一步成倍增加。本文中，我们提出PUFFIN（Path-Unifying Feed-Forward Interfaced Network，路径统一前馈接口网络），一种结合迁移学习与受领域知识（Antoine方程）启发的新型归纳偏置节点的机器学习框架，以改进蒸气压预测。通过利用归纳偏置和使用图嵌入的迁移学习，PUFFIN优于不使用归纳偏置或使用化合物通用描述符的替代策略。该框架融入领域特定知识以克服数据可用性差的局限，展示了其在化合物分析（包括其他理化性质预测）中更广泛应用的前景。重要的是，我们提出的机器学习框架具有部分可解释性，因为归纳Antoine节点产生了网络导出的Antoine方程系数。由此可将所得解析表达式直接纳入过程设计软件，以更好地预测和控制工业与环境中的过程。
引用
@article{arxiv.2307.02903,
title = {PUFFIN: A Path-Unifying Feed-Forward Interfaced Network for Vapor Pressure Prediction},
author = {Vinicius Viena Santana and Carine Menezes Rebello and Luana P. Queiroz and Ana Mafalda Ribeiro and Nadia Shardt and Idelfonso B. R. Nogueira},
journal= {arXiv preprint arXiv:2307.02903},
year = {2023}
}