无机合成反应的表示与预测：图形框架与数据集
材料科学
2025-12-03 v1 机器学习
摘要
虽然机器学习已使具有新颖特性的无机材料的快速预测成为可能，但确定如何合成这些材料的挑战在很大程度上仍未解决。此前的研究主要集中于预测前驱体或反应条件，但很少涉及完整的合成路径。我们引入了 ActionGraph，一种有向无环图框架，用于编码无机合成反应的化学结构和程序结构（以合成操作为单位）。利用来自材料项目（Materials Project）的 13,017 条文本挖掘的固相合成反应，我们表明将主成分分析（PCA）降维后的 ActionGraph 邻接矩阵纳入 -最近邻检索模型可显著改善合成路径预测。虽然 ActionGraph 框架仅使前驱体 F1 分数和操作 F1 分数（在不同 PCA 组件数量下的平均值）分别提高 1.34% 和 2.76%，但操作长度匹配准确率提高了 3.4 倍（从 15.8% 提升至 53.3%）。我们观察到一个有趣的权衡：前驱体预测性能在 10-11 个 PCA 组件处达到峰值，而操作预测持续改善直至 30 个组件。这表明组成信息主导前驱体选择，而结构信息对操作排序至关重要。总体而言，ActionGraph 框架展现出巨大潜力，随着进一步采用，其全部优势可以得到有效实现。
引用
@article{arxiv.2512.02947,
title = {Representation of Inorganic Synthesis Reactions and Prediction: Graphical Framework and Datasets},
author = {Samuel Andrello and Daniel Alabi and Simon J. L. Billinge},
journal= {arXiv preprint arXiv:2512.02947},
year = {2025}
}
备注
For associated code and datasets, see https://github.com/8bitsam/actiongraph-testbench