Extension of Graph Convolution Network for Sigma-Profile Prediction to Silicon-Containing Compounds
本研究提出了一种集成机器学习框架，该框架扩展了基于基团贡献的图卷积网络，用于预测含硅化合物的 -剖面，从而在无需量子化学计算的情况下，通过 COSMO-SAC 模型实现准确且高效的热力学性质预测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在广阔的化学工程领域，预测不同物质混合时的行为是一个根本性的挑战。想象一下，在不知道成分在热量或压力下如何相互作用的情况下，尝试设计一种新的润滑剂、制冷剂或电子设备的涂层。几十年来，科学家们一直依赖基于量子力学的复杂计算机模拟来绘制这些相互作用。这些模拟计算每个分子表面的电荷分布，从而创建一个决定分子如何与邻近分子结合的独特指纹。虽然这种方法很精确，但过程极其缓慢且昂贵，需要强大的超级计算机和专门的专业知识。这就像试图通过测量海滩上每一粒沙子的确切重量来了解海滩的形状；数据是完美的，但其付出的努力往往对于快速发现而言过于巨大。
为了提高速度，研究人员转向了机器学习，教计算机识别分子结构的模式，以便在无需每次都运行沉重的模拟的情况下预测这些指纹。然而，这种方法中仍存在一个显著的空白。大多数现有的模型都是基于由碳、氢和氧组成的常见有机化合物进行训练的。当面对含硅化合物时，这些模型就会表现得力不从心，而这类材料对于从密封剂、润滑剂到计算机内部芯片的一切事物都至关重要。由于硅的行为与碳不同，旧模型无法准确预测这些材料在混合物中的行为，导致工程师只能靠猜测或依赖稀缺的实验数据。
来自高丽大学（Korea University）和 SK Inc. AX 的一个研究小组现在通过扩大这些预测工具的覆盖范围填补了这一空白。他们开发了一种新的框架，将一种特殊类型的人工智能与精炼的热力学模型相结合，以准确预测含硅化学物质的行为。该系统不再为每个新分子运行缓慢且沉重的量子计算，而是观察分子结构——特别是官能团的排列方式——并瞬间生成必要的表面电荷图。这种被称为 -剖面（sigma-profile）的图谱，充当了分子如何与其他分子相互作用的蓝图。
研究人员首先通过构建一个庞大的新训练数据库开始了这项工作。他们获取了一个包含 3,500 多种有机化合物的现有集合，并添加了 546 种新生成的含硅化合物，使总数达到了 4,102 种不同的分子。为了创建这些新硅化合物的训练数据，他们首先进行了严谨的量子计算以建立正确的“地面真值”（ground truth）。然后，他们教导其使用基于图的神经网络的机器学习模型去识别硅中心基团（例如与氢或氧结合的硅原子）的特定模式。这使得模型能够学习硅这种此前在数据集中所缺失的独特化学语言。
训练完成后，模型被用于测试其预测各种混合物气液平衡的能力。这是一项关键的测量，它告诉工程师液体在什么温度和压力下会转化为气体，或者两种液体如何分离。研究人员将模型的预测结果与涉及硅化合物的二元系统的真实世界实验数据进行了对比。结果非常准确。该模型预测系统压力的平均误差仅为 4.56%，预测蒸汽组成的摩尔分数误差仅为 0.02。这些数字表明，机器学习方法可以以媲美传统量子方法的精度，重现复杂硅混合物的行为。
成功的关键之一是采用了更新的热力学模型，该模型明确考虑了羧酸相互作用，确保即使是带有特定酸性基团的分子也能得到正确处理。整个过程无需生成目标分子的分子结构文件或进行量子计算。相反，它只需接收代表分子结构的简单文本字符串，即可在极短的时间内输出所需的热力学性质。这一成就为化学工业提供了一个实用且高效的工具，使得在无需面临此前阻碍发现进程的计算瓶颈的情况下，能够快速筛选和设计用于电子、制冷和工业涂层的全新硅基材料。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。