Integración de la explicabilidad en modelos de redes neuronales de gráficos para la predicción de espectros de...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• Los modelos de aprendizaje automático (ML), incluidas las redes neuronales de gráficos (GNNs), se utilizan cada vez más para predecir propiedades y espectros moleculares.
• Un desafío significativo en la aplicación de estos modelos sofisticados es garantizar la interpretabilidad de sus predicciones, particularmente para espectros complejos como los espectros de absorción de rayos X (XAS).

Objetivo del estudio:

• Investigar la interpretabilidad de diferentes modelos de GNN para predecir los espectros de absorción de rayos X (XAS) de pequeñas moléculas orgánicas.
• Establecer criterios para la selección de modelos apropiados de GNN que permitan una predicción XAS robusta.
• Para correlacionar las contribuciones atómicas identificadas por los modelos ML con los principios químicos cuánticos subyacentes.

Principales métodos:

• Desarrollo y aplicación de diversas arquitecturas GNN en un conjunto de datos XAS generado a medida para pequeñas moléculas orgánicas.
• Análisis de los entornos moleculares locales y globales considerados por cada modelo GNN.
• Utilizando técnicas de atribución de características para identificar las contribuciones atómicas a los picos XAS.
• Comparación de las contribuciones atómicas derivadas de ML con orbitales virtuales y de núcleo de cálculos químicos cuánticos.

Principales resultados:

• Un análisis exhaustivo de los modelos GNN, teniendo en cuenta su tratamiento de los entornos moleculares locales y globales, es crucial para seleccionar modelos capaces de una predicción XAS robusta.
• La atribución de características identificó con éxito las contribuciones de átomos individuales a picos específicos en el espectro XAS.
• El estudio demostró un vínculo claro entre las contribuciones atómicas, los orbitales moleculares y el XAS resultante, validando la interpretabilidad de los modelos ML.

Conclusiones:

• La interpretabilidad de los modelos de ML, específicamente GNN para la predicción de XAS, se puede lograr a través de un análisis cuidadoso del modelo y la atribución de características.
• Los resultados permiten una comprensión más profunda de la relación entre la estructura molecular, las propiedades electrónicas y las características espectrales.
• Este trabajo proporciona un marco para desarrollar herramientas de aprendizaje automático más transparentes y confiables en química computacional y ciencia de los materiales.