A green solvent screening tool for emerging materials via uncertainty aware, transformer enhanced transfer learning

Resumen Técnico: Cribado de Solventes Verdes mediante Aprendizaje por Transferencia Consciente de la Incertidumbre

Planteamiento del Problema
La predicción precisa de la solubilidad de los solventes sigue siendo un desafío central en la ciencia de materiales y la química sostenible. A medida que las tecnologías emergentes, como la fotovoltaica orgánica/híbrida, las baterías y la catálisis, intensifican su producción, se proyecta que el uso de solventes aumentará significativamente, lo que hace necesaria la sustitución de los solventes tradicionales por alternativas más verdes. Sin embargo, la eficacia del aprendizaje automático (ML) en este dominio está severamente limitada por la escasez de datos experimentales para parámetros de solubilidad críticos. Si bien existen bases de datos extensas para los parámetros de solubilidad de Hansen ($\delta_d, \delta_p, \delta_h$) y las constantes dieléctricas ($\varepsilon_r$), los datos para otros descriptores vitales —específicamente los números de Donante/Aceptor de Gutmann (DN, AN) y los parámetros solvatocrómicos de Kamlet-Taft ($\alpha, \beta, \pi^*$)— son extremadamente escasos, variando desde cientos hasta apenas decenas de entradas. Esta escasez de datos conduce al sobreajuste en los modelos convencionales y limita la generalización requerida para un descubrimiento de materiales robusto.

Metodología
Los autores proponen un flujo de trabajo de aprendizaje por transferencia diseñado para predecir un vector de nueve parámetros de solubilidad para más de 5,000 Compuestos Orgánicos Volátiles (VOCs) con requisitos mínimos de datos de entrenamiento. La arquitectura integra tres componentes principales:

1. Modelo Fundacional (DimeNet): El flujo de trabajo utiliza una Red Neuronal de Paso de Mensajes Direccionales (DimeNet) preentrenada, originalmente entrenada en el conjunto de datos QM9 (134,000 moléculas orgánicas pequeñas) para predecir propiedades químico-cuánticas. En lugar de utilizar la salida escalar de DimeNet, los autores extraen un vector de tamaño fijo de la capa penultimate (una suma por columnas de la matriz de interacción), que contiene una mayor densidad de información molecular adecuada para el aprendizaje por transferencia.
2. Descriptores Moleculares: Para complementar las características del aprendizaje profundo, el modelo incorpora descriptores moleculares de $n$ dimensiones derivados de la base de datos OCHEM. Estos descriptores destilan la intuición química humana (por ejemplo, grupos atómicos específicos) y son seleccionados basándose en una baja autocorrelación y una alta correlación con los parámetros objetivo.
3. Regresión Consciente de la Incertidumbre (Procesos Gaussianos): La capa final emplea un regresor de Procesos Gaussianos (GP). Este sirve dos funciones críticas: proporciona predicciones robustas incluso en conjuntos de datos dispersos al aprovechar distribuciones previas para prevenir el sobreajuste, y cuantifica la incertidumbre de las predicciones mediante intervalos de confianza.
4. Mejora mediante Transformer: Para parámetros específicos, se inserta una capa de transformer entre el vector concatenado de DimeNet/descriptor y el GP para realizar ajustes de valor basados en la atención, refinando así la predicción.

El flujo de trabajo se entrena para minimizar la log-verosimilitud negativa. Para el ranking de solventes, los autores definen una métrica de distancia euclidiana ponderada ($\hat{R}^2$) que compara un solvente candidato con un solvente de referencia. Los pesos pueden personalizarse según la aplicación específica (por ejemplo, priorizando DN/AN para soluciones de perovskita iónica) o establecerse automáticamente según el rendimiento de $R^2$ del modelo.

Contribuciones Clave

• Aumento de Datos: El trabajo aumenta con éxito los datos disponibles para los descriptores de solubilidad hasta en dos órdenes de magnitud (específicamente un factor de 4 para los parámetros de Hansen y hasta 100 para otros como DN/AN) con predicciones de alta calidad.
• Cuantificación de la Incertidumbre: A diferencia de muchos predictores de solubilidad existentes, este flujo de trabajo proporciona explícitamente estimaciones de incertidumbre, lo que permite a los experimentadores evaluar la confianza de las predicciones e identificar brechas en el conocimiento.
• Herramienta de Cribado Customizable: Los autores desplegaron una aplicación ligera de Streamlit de código abierto (kouter) que permite cribar más de 5,000 VOCs. La herramienta admite la ponderación personalizada de parámetros de solubilidad, filtrado de incertidumbre y cribado de símbolos de peligro (GHS H3xx/H4xx) para identificar alternativas "verdes".
• Robustez en Datos Dispersos: El estudio demuestra que el aprendizaje por transferencia desde modelos fundacionales permite predicciones de alto rendimiento incluso en conjuntos de datos con menos de 5 de 50 puntos de datos, un régimen donde los modelos convencionales suelen fallar.

Resultados
El flujo de trabajo fue validado utilizando validación cruzada de $n$-pliegues (5 pliegues para grandes conjuntos de datos, 10 pliegues para conjuntos de datos dispersos).

• Desempeño: El flujo de trabajo completo superó significativamente a un modelo base que utilizaba solo Procesos Gaussianos y descriptores moleculares. El Error Cuadrático Medio Relativo (RRMSE) mejoró aproximadamente un 50% en promedio en todos los parámetros.
• Ganancias Específicas: Las mejoras más drásticas se observaron en los parámetros con menos datos. Para los Números de Donante de Gutmann, el RRMSE mejoró en un 84.83% (de 0.865 a 0.458), y para el enlace de Hansen ($\delta_h$), en un 66.67%.
• Validación Cualitativa: En un ensayo de "top-1 trial" de cribado de solventes industriales comunes (por ejemplo, Diclorometano, NMP, Metanol), la herramienta identificó sustitutos verdes plausibles. Notablemente, predijo correctamente la Gamma-Valerolactona (GVL) como sustituto de la N,N-Dimetilformamida (consistente con la literatura sobre celdas solares de perovskita) y la Dimetilsulfona para el Carbonato de Etileno (consistente con la literatura de electrolitos de baterías). La herramienta también propuso candidatos novedosos, como la 1,4-Dihidronaftalina para el Tolueno, aunque los autores señalan que estos requieren validación experimental respecto a reactividad y estabilidad.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como una "primera y poderosa prueba de concepto" para aprovechar los modelos fundacionales preentrenados en el descubrimiento de materiales donde los datos son escasos. Los autores afirman que su enfoque ofrece un marco versátil y ligero que puede desplegarse en computadoras personales, haciendo que el aprendizaje automático avanzado sea accesible para grupos sin infraestructura computacional especializada.

La significancia radica en la capacidad de proporcionar "decisiones informadas por datos" para la sustitución de solventes, acelerando potencialmente el despliegue de tecnologías de energía emergentes (como la PV de perovskita y las baterías) al identificar alternativas de solventes eco-amigables. Los autores enfatizan que la herramienta está diseñada para fines de investigación y descubrimiento; no es un sustituto de las hojas de datos de seguridad o de las decisiones prácticas de laboratorio. Al combinar el conocimiento químico experto (descriptores) con el aprendizaje basado en datos (transfer learning y GPs), el flujo de trabajo cierra la brecha entre la predicción teórica y la aplicación práctica en la química sostenible. Se prevé que el trabajo futuro integre modelos fundacionales más nuevos (por ejemplo, MACE, NequIP) y amplíe el alcance a otras propiedades químicas dispersas como el transporte de carga o las vías de reacción.