Aprendizaje espacial 3D para la predicción de energía de adsorción en sistemas de soluciones multi-temporales: el...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• Los métodos actuales de predicción de la energía de adsorción luchan con sistemas de solución dinámica y diversas configuraciones espaciales.
• Los conjuntos de datos tradicionales son estáticos y no logran capturar el espacio conformacional explorado por los sistemas dinámicos a lo largo del tiempo.

Objetivo del estudio:

• Introducir el conjunto de datos del sistema de solución multi-temporal (MTSS) para la predicción de la adsorción con resolución temporal.
• Desarrollar un nuevo modelo de aprendizaje profundo, SEP-Net, capaz de modelar las interacciones a nivel de solución.

Principales métodos:

• Creación del conjunto de datos MTSS con 500.000 configuraciones temporalmente resueltas y etiquetas de energía de adsorción en cinco disolventes.
• Propuesta de SEP-Net, una red de gráficos de doble canal que integra el aprendizaje geométrico rotativo-invariante y las incorporaciones de SMILES moleculares.
• Validación experimental del rendimiento de SEP-Net frente a métodos tradicionales como el MLP.

Principales resultados:

• SEP-Net obtuvo un error absoluto medio (MAE) de 211,02 kJ/mol en disolventes conocidos y 507,37 kJ/mol en disolventes no vistos.
• SEP-Net superó significativamente a MLP, demostrando una mejora sustancial en la precisión de la predicción (por ejemplo, 3827.33 vs. 507.37 kJ/mol en el disolvente ACE).

Conclusiones:

• El conjunto de datos MTSS y SEP-Net establecen nuevos parámetros de referencia para la predicción de la adsorción a nivel de sistema.
• El aprendizaje profundo geométrico aborda efectivamente las complejidades de las interacciones soluto-solvente y solvente-solvente en sistemas dinámicos.