基于相似性的大气有机化合物分析用于机器学习应用

大气中气溶胶粒子的形成影响空气质量和气候变化，但其中涉及的许多有机分子仍然未知。机器学习可以通过加速分子性质和检测特性的分析来帮助识别这些化合物。然而，这种进展受到当前缺乏用于大气分子及其相关特性的精选数据集的阻碍。为了应对这一挑战，我们提出了一种相似性分析，将大气化合物与用于机器学习开发的现有大型分子数据集联系起来。我们发现，使用机器学习应用中的标准分子表示，大气分子与非大气分子之间的重叠很小。大气化合物所识别的域外特性与其独特的官能团和原子组成有关。我们的研究强调了需要共同努力来收集和共享更多分子水平的大气化学数据。所提出的基于相似性的分析可用于未来大气科学中机器学习开发的数据集整理。