SAGE-Amine：面向高效CO₂捕集的多性质优化生成式胺设计
机器学习
2025-06-03 v1 材料科学
摘要
高效的 CO2 捕集对于缓解气候变化至关重要，胺类溶剂因其与 CO2 的强反应性而被广泛使用。然而，优化碱性、粘度和吸收容量等关键性质仍具挑战，因为传统方法依赖于劳动密集型实验和预定义的化学数据库，限制了对新颖解决方案的探索。在此，我们引入了 SAGE-Amine，这是一种将评分辅助生成探索（SAGE）与定量结构-性质关系模型相集成以设计专为 CO2 捕集定制的新型胺的生成式建模方法。与仅限于现有化合物的传统虚拟筛选不同，SAGE-Amine 利用基于胺数据集训练的自回归自然语言处理模型生成新型胺。SAGE-Amine 从零开始识别出用于 CO2 捕集的已知胺，并成功进行了单性质优化，提高了碱性或降低了粘度或蒸汽压。此外，它还促进了多性质优化，同时实现了高碱性以及低粘度和低蒸汽压。利用 SAGE-Amine 提出了排名前 10 的胺，并使用 COSMO-RS 模拟进一步评估了它们的热力学性质，证实了其用于 CO2 捕集的潜力。这些结果突显了生成式建模在加速胺类溶剂发现和拓展工业 CO2 捕集应用可能性方面的潜力。
引用
@article{arxiv.2503.02534,
title = {SAGE-Amine: Generative Amine Design with Multi-Property Optimization for Efficient CO2 Capture},
author = {Hocheol Lim and Hyein Cho and Jeonghoon Kim},
journal= {arXiv preprint arXiv:2503.02534},
year = {2025}
}
备注
33 pages, 5 figures