理解分子语言：从 SMILES 预测 PC-SAFT 状态方程的纯组分参数
化学物理
2023-09-25 v1
摘要
开发可持续工艺与材料的一个主要瓶颈是缺乏物性数据。近来，机器学习方法大幅改进了先前的分子性质预测方法。然而，这些机器学习模型往往不能充分处理热力学约束。在这项工作中，我们提出一种基于自然语言处理的机器学习模型，用于预测扰动链统计关联流体理论（PC-SAFT）状态方程的纯组分参数。该模型基于我们此前提出的 SMILES-to-Properties-Transformer (SPT)。通过将 PC-SAFT 纳入神经网络架构，该机器学习模型直接在实验蒸气压和液体密度数据上训练。将既有的物理建模方法与最先进的机器学习方法相结合，能够在宽泛的压力与温度范围内实现高精度预测，同时保持 PC-SAFT 参数的物理意义。SPT-PCSAFT 即使对具有多种官能团的复杂分子也展现出卓越的预测精度，其平均绝对百分偏差较传统基团贡献法优四倍。此外，SPT-PCSAFT 无需特殊处理即可捕捉立体异构体的行为。为便于模型应用，我们提供了超过 13645 种组分的预测 PC-SAFT 参数，使所有研究者都能使用 PC-SAFT。
引用
@article{arxiv.2309.12404,
title = {Understanding the language of molecules: Predicting pure component parameters for the PC-SAFT equation of state from SMILES},
author = {Benedikt Winter and Philipp Rehner and Timm Esper and Johannes Schilling and André Bardow},
journal= {arXiv preprint arXiv:2309.12404},
year = {2023}
}