🤖 machine learning

Thermodynamically consistent machine learning model for excess Gibbs energy

Het artikel introduceert HANNA, een thermodynamisch consistent machine learning-model dat fysische wetten integreert als harde beperkingen en een geometrische projectiemethode gebruikt om de excessieve Gibbs-energie van meercomponenten-vloeibare mengsels direct te voorspellen op basis van moleculaire structuren, en dat zowel qua nauwkeurigheid als qua toepassingsgebied de geavanceerdste benchmarks overtreft.

Oorspronkelijke auteurs: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek

Gepubliceerd 2026-04-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een meesterkok bent die probeert precies te voorspellen hoe een nieuwe soep zal smaken, nog voordat je de ingrediënten hebt gemengd. In de wereld van de chemie en techniek is deze "soep" een vloeibare mengsel, en de "smaak" is een complexe eigenschap genaamd excessieve Gibbs-energie. Deze waarde vertelt ingenieurs hoe moleculen in een mengsel zich zullen gedragen—of ze zich graag zullen mengen, in lagen zullen scheiden (zoals olie en water), of bij een bepaalde temperatuur zullen koken.

Decennialang was het voorspellen van dit gedrag voor nieuwe mengsels als proberen de smaak van een soep te raden met behulp van een stijf, oud receptenboek. Als het receptenboek geen specifieke vermelding had voor "tomaat en basilicum", zat je vast.

Dit artikel introduceert HANNA, een nieuwe "slimme kok" gebouwd met kunstmatige intelligentie (machine learning) die deze gedragingen kan voorspellen voor elk mengsel, mits je de moleculaire "ingrediënten" kent (de chemische structuur).

Hier is hoe HANNA werkt, uitgelegd via eenvoudige analogieën:

1. Het probleem met oude "receptenboeken"

Traditionele methoden (zoals UNIFAC) zijn als een bibliotheek met vooraf geschreven recepten. Ze werken uitstekend als je ingrediënten mengt die ze eerder hebben gezien. Maar als je een nieuw ingrediënt introduceert (zoals een zeldzame chemische stof of een ionische vloeistof), heeft de bibliotheek geen vermelding ervoor en faalt de voorspelling. Ze zijn ook vaak "stijf", wat betekent dat ze niet gemakkelijk een mengsel kunnen beschrijven dat zich bij verschillende temperaturen anders gedraagt zonder het hele recept te herschrijven.

2. HANNA: De flexibele, regels-volgende kok

HANNA is anders. In plaats van een lijst met recepten uit het hoofd te leren, leert het de fundamentele wetten van de fysica die regeren hoe moleculen met elkaar interageren.

De invoer: Je geeft HANNA de "blauwdruk" van de moleculen (hun chemische structuur, geschreven in een code genaamd SMILES) en de omstandigheden (temperatuur en hoeveelheid van elk).
Het brein: Het gebruikt een type AI genaamd een neurale netwerk, maar met een speciale draai. Het raadt niet zomaar; het is hard-wired met de wetten van de thermodynamica. Denk hierbij aan een kok die zo getraind is in de wetten van de smaak dat hij niet een gerecht kan maken dat in strijd is met de wetten van de fysica. Als de wiskunde zegt dat een mengsel moet scheiden in twee lagen, wordt HANNA gedwongen die scheiding te voorspellen. Het kan geen resultaat "hallucineren" dat de regels breekt.

3. De "surrogaat-oplosser": Een shortcut naar het antwoord

Een van de moeilijkste dingen om te voorspellen is wanneer een mengsel in twee lagen zal splitsen (Vloeistof-Vloeistof Evenwicht). Meestal vereist het oplossen hiervan een trage, repetitieve berekening, als het zoeken naar een naald in een hooiberg door elke enkele halm één voor één te controleren.

De innovatie: De auteurs bouwden een surrogaat-oplosser. Stel je een zeer bekwame assistent voor die het naald-vindproces duizenden keren heeft bekeken. In plaats van het trage werk te doen, kijkt de assistent naar de hooiberg en wijst direct aan waar de naald zit. HANNA gebruikt deze assistent om veel sneller en nauwkeuriger dan voorheen te leren van experimentele data.

4. De "geometrische projectie": Van paren naar menigten

HANNA werd voornamelijk getraind op data van paren van chemicaliën (binair mengsels). Maar in de echte wereld mengen we vaak drie, vier of meer chemicaliën tegelijk.

De truc: HANNA maakt gebruik van een geometrische projectie. Stel je voor dat je precies weet hoe twee mensen (Chemische stof A en Chemische stof B) met elkaar overweg kunnen, en hoe twee anderen (Chemische stof C en Chemische stof D) met elkaar overweg kunnen. HANNA gebruikt een wiskundige "kaart" om deze paar-voor-paar relaties te projecteren in een complexe menigte van veel mensen. Het hoeft niet te worden geleerd hoe elke mogelijke groep van vijf mensen met elkaar omgaat; het berekent dit op basis van hoe de paren met elkaar interageren. Dit stelt het in staat het gedrag van complexe mengsels te voorspellen die het nog nooit heeft gezien.

5. De resultaten: Beter en breder

De auteurs testten HANNA tegen de huidige "gouden standaard" (gemodificeerd UNIFAC) en andere AI-modellen.

Nauwkeurigheid: HANNA was nauwkeuriger in het voorspellen van hoe mengsels zich gedragen, vooral voor lastige gevallen zoals oneindige verdunning (een klein druppeltje van de ene chemische stof in een enorme poel van een andere) en vloeistof-vloeistofscheiding.
Veelzijdigheid: Terwijl de oude receptenboeken falen als er een nieuwe chemische stof wordt geïntroduceerd, kan HANNA hiermee omgaan omdat het alleen de moleculaire blauwdruk nodig heeft. Het slaagde erin gedragingen te voorspellen voor mengsels die ionische vloeistoffen bevatten (complexe zouten die bij kamertemperatuur vloeibaar zijn), wat voor oudere modellen zeer moeilijk te hanteren is.
Consistentie: In tegenstelling tot sommige andere AI-modellen die een resultaat kunnen geven dat er goed uitziet maar de wetten van de fysica breekt, is HANNA gegarandeerd thermodynamisch consistent.

Samenvatting

Kortom, het artikel presenteert HANNA, een machine learning-model dat fungeert als een thermodynamisch orakel. Het combineert de flexibiliteit van moderne AI met de strikte regels van de fysica. Het leert van experimentele data over eenvoudige paren van chemicaliën en gebruikt een slimme wiskundige projectie om het gedrag van complexe, meer-ingrediëntenmengsels te voorspellen. Het is nauwkeuriger dan de huidige industriestandaarden en kan een veel bredere variëteit aan chemicaliën aan, inclusief die welke de oude methoden niet eens konden proberen te modelleren.

De auteurs hebben deze "slimme kok" en de bijbehorende code beschikbaar gesteld aan het publiek, waardoor ingenieurs het kunnen gebruiken om betere chemische processen te ontwerpen, van het creëren van nieuwe oplosmiddelen tot het optimaliseren van industriële scheidingsmethoden.

1. Probleemstelling

De nauwkeurige voorspelling van de molaire excessieve Gibbs-energie ( $g^E$ ) en de afgeleide activiteitscoëfficiënten ( $\gamma_i$ ) is fundamenteel voor de chemische technologie bij het modelleren van fase-evenwichten (Vapor-Liquid Equilibrium - VLE, Liquid-Liquid Equilibrium - LLE) en reactiekinetiek.

Huidige Beperkingen:
- Fysica-gebaseerde modellen (NRTL, UNIQUAC): Vereisen uitgebreide experimentele data om binair interactieparameters te fitten. Ze kunnen eigenschappen niet voorspellen voor niet-onderzochte componenten of systemen zonder binaire data. Ze worstelen vaak om VLE en LLE gelijktijdig te beschrijven met één set parameters.
- Groepsbijdrage (UNIFAC): Vermindert parameters door moleculen te ontleden in functionele groepen, maar is beperkt tot vooraf geparameteriseerde groepen en heeft moeite met complexe systemen (bijv. ionische vloeistoffen) of een gelijktijdige beschrijving van VLE/LLE.
- Kwantumchemisch (COSMO-RS/SAC): Rekenkundig duur en de nauwkeurigheid hangt sterk af van het gekozen DFT-niveau.
- Bestaande ML-modellen: Veel recente Graph Neural Network (GNN)-benaderingen missen strikte thermodynamische consistentie (bijv. schending van de Gibbs-Duhem-vergelijking) of zijn beperkt tot specifieke condities (bijv. alleen oneindige verdunning, vaste temperatuur, of alleen binaire systemen).

De Kernuitdaging: Het ontwikkelen van een flexibel machine learning-model dat $g^E$ en activiteitscoëfficiënten voorspelt voor willekeurige mengsels (inclusief niet-onderzochte componenten) uitsluitend op basis van moleculaire structuren, terwijl het strikt voldoet aan alle thermodynamische consistentiewetten.

2. Methodologie: Het HANNA-model

De auteurs introduceren HANNA (Hybrid Architecture for Neural Network Activity), een deep learning-framework dat fysieke wetten integreert als harde constraints direct in de neurale netwerkarchitectuur.

A. Architectuur en Invoer

Invoer: Moleculaire structuren (SMILES-strings), temperatuur ( $T$ ) en molfracties ( $x$ ).
Embedding: SMILES-strings worden verwerkt met het vooraf getrainde transformer-model ChemBERTa-2 om moleculaire embeddings te genereren.
Netwerkstructuur: HANNA maakt gebruik van drie feed-forward neurale netwerken (FFNN's):
1. Embedding Network: Verfijnt moleculaire embeddings.
2. Mixture Network: Verwerkt componentinteracties.
3. Property Network: Berekent binaire interactietermen.
Harde Constraints: De architectuur dwingt af:
- Permutatie-equivariantie: De volgorde van de output komt overeen met de volgorde van de invoercomponenten.
- Beperking tot pure componenten: Activiteitscoëfficiënten naderen 1 voor pure componenten.
- Gibbs-Duhem-consistentie: Activiteitscoëfficiënten worden afgeleid via automatische differentiatie van de voorspelde $g^E$ , waardoor wiskundige consistentie wordt gewaarborgd.
- Behandeling van identieke componenten: Een radial basis function (RBF) gelijkaardigheidscore groepeert identieke componenten om ervoor te zorgen dat $g^E = 0$ voor zuivere stoffen.

B. Extrapolatie naar Meerdere Componenten

Om uit te breiden van binaire trainingsdata naar meercomponentenmengsels zonder extra parameters, hanteert HANNA een geometrische projectiemethode (Muggianu-projectie).

De molfracties van een $N$ -componentenmengsel worden geprojecteerd op alle $N(N-1)/2$ binaire subsysteem.
De totale $g^E$ wordt berekend als een gewogen som van de bijdragen van de binaire subsysteem.
Hierdoor kan het model uitsluitend worden getraind op binaire data terwijl het ternaire en quaternaire systemen voorspelt.

C. Trainingsstrategie en Verliesfunctie

HANNA wordt end-to-end getraind op een enorm dataset van de Dortmund Data Bank (DDB) die 46.543 systemen bestrijkt. De training minimaliseert een samengestelde verliesfunctie ( $L_{total}$ ):

Data-verliezen:
- VLE (TPXY/TPX): Voorspelt activiteitscoëfficiënten of totale druk.
- Oneindige Verdunning (ACI): Voorspelt $\gamma^\infty$ .
- Excessieve Enthalpie ( $H^E$ ): Afgeleid via automatische differentiatie van $g^E$ met betrekking tot temperatuur.
- LLE (Vloeistof-Vloeistof Evenwicht): Dit is een belangrijke innovatie. Omdat LLE vereist dat niet-lineaire vergelijkingen iteratief worden opgelost (wat de gradiëntstroom onderbreekt), hebben de auteurs een differentieerbare surrogate-oplosser ontwikkeld. Deze oplosser gebruikt een neuraal netwerk om de Convex Envelope Method (CEM) na te bootsen, waarbij de meng-Gibbs-energie ( $\Delta g_{mix}$ ) direct wordt gemapt naar fase-samenstellingen ( $x', x''$ ).
Gibbs-verlies ( $L_{Gibbs}$ ): Een door fysica geïnspireerde verliesterm die het model bestraft als het geen mengbaarheidskloof voorspelt (d.w.z. als de tweede afgeleide van $\Delta g_{mix}$ niet negatief is waar vereist).
Lipschitz-regularisatie ( $L_{Lips}$ ): Dwingt gladheid af van de voorspelde $g^E$ -functie om robuustheid en extrapolatievermogen te verbeteren.

3. Belangrijkste Bijdragen

Thermodynamische consistentie als harde constraints: HANNA is het eerste model dat alle relevante thermodynamische constraints (Gibbs-Duhem, grenzen van oneindige verdunning, permutatiesymmetrie) strikt inbedt in de netwerkarchitectuur in plaats van te vertrouwen op zachte penalties.
End-to-end LLE-training: De ontwikkeling van een differentieerbare surrogate-oplosser maakt directe training van ML-modellen op experimentele LLE-fasesamenstellingsdata mogelijk, een taak die eerder als moeilijk voor deep learning werd beschouwd vanwege de noodzaak van iteratieve oplossers.
Universele toepasbaarheid: In tegenstelling tot UNIFAC vereist HANNA geen groepsparameterisatie. Het kan eigenschappen voorspellen voor elk mengsel waarvan moleculaire structuren bekend zijn, inclusief ionische vloeistoffen en complexe systemen.
Gelijktijdige VLE/LLE-beschrijving: Het model beschrijft succesvol zowel damp-vloeistof- als vloeistof-vloeistof-evenwichten met één parameterisatie, waardoor een grote beperking van traditionele modellen zoals UNIQUAC wordt overwonnen.
Open Source: Het model, de code en een interactieve webinterface (MLPROP) zijn publiek beschikbaar.

4. Resultaten

Het model werd geëvalueerd op onzichtbare testsystemen (teruggehouden tijdens training) en vergeleken met gewijzigde UNIFAC (Dortmund) en andere ML-benchmarks (GE-GNN, GDI-GNN, SolvGNN).

Nauwkeurigheid vs. UNIFAC:
- Binaire Systemen: HANNA presteert beter dan gewijzigde UNIFAC in Mean Absolute Error (MAE) voor VLE, ACI en LLE. Opmerkelijk is dat de mediaan MAE voor ACI daalde van 0,18 (UNIFAC) naar 0,11 (HANNA).
- Meerdere Componenten Systemen: HANNA behoudt superieure of vergelijkbare nauwkeurigheid voor ternaire mengsels.
- LLE-detectie: HANNA identificeert correct mengbaarheidskloven in 89% van de binaire LLE-systemen (vs. 74% voor UNIFAC) en 98% van de ternaire LLE-systemen.
Toepasbaarheid:
- HANNA voorspelt succesvol eigenschappen voor systemen met ionische vloeistoffen en complexe moleculen waar UNIFAC faalt door ontbrekende groepsparameters.
- Het bestrijkt een bredere chemische ruimte, inclusief niet-onderzochte componenten.
Vergelijking met andere ML-modellen:
- HANNA presteert aanzienlijk beter dan andere ML-modellen (GE-GNN, SolvGNN, enz.) in nauwkeurigheid en toepasbaarheid.
- In tegenstelling tot andere ML-modellen die beperkt zijn tot binaire systemen, vaste temperaturen of oneindige verdunning, behandelt HANNA willekeurige $N$ -componentenmengsels en temperatuur/samenstellingsafhankelijkheid.
Kwalitatieve Prestaties: Het model voorspelt correct complexe fasegedrag, waaronder eiland-type mengbaarheidskloven (boven- en onderkritische oplossingstemperaturen) en hetero-azeotropen.

5. Betekenis en Impact

Paradigmaverschuiving: HANNA vertegenwoordigt een verschuiving van "parameters fitten aan data" naar "fysieke wetten leren uit data". Het demonstreert dat neurale netwerken kunnen worden beperkt om thermodynamica te gehoorzamen zonder flexibiliteit op te offeren.
Industriële Nut: Door nauwkeurige voorspellingen te bieden voor niet-onderzochte systemen (bijv. nieuwe oplosmiddelen, ionische vloeistoffen) zonder nieuwe experimentele fitting te vereisen, versnelt HANNA procesontwerp, oplosmiddelenselectie en materiaalontdekking.
Methodologische Vooruitgang: De surrogate-oplosser voor LLE en de geometrische projectiestrategie bieden nieuwe tools voor het integreren van complexe fysieke constraints in deep learning-workflows.
Toekomstperspectief: De auteurs plannen om de training uit te breiden naar Vaste-Stof-Vloeistof Evenwichten (SLE) en mogelijk ternaire data direct op te nemen om de projectiemethode te verfijnen.

Kortom, HANNA zet een nieuwe state-of-the-art voor voorspellende thermodynamica, waarbij de generalisatiekracht van deep learning wordt gecombineerd met de strenge consistentie van fysieke wetten, en presteert beter dan decennia oude industriestandaarden terwijl het bredere toepasbaarheid biedt.