将可解释性集成到图形神经网络模型中,以预测X射线吸收光谱

科学领域:

• 计算化学
• 材料科学
• 机器学习

背景情况:

• 机器学习 (ML) 模型,包括图形神经网络 (GNN),越来越多地用于预测分子特性和光谱.
• 应用这些复杂模型的一个重大挑战是确保其预测的可解释性,特别是对于像X射线吸收光谱 (XAS) 这样的复杂光谱.

研究的目的:

• 调查不同GNN模型的可解释性,以预测小有机分子的X射线吸收光谱 (XAS).
• 建立适合GNN模型的选择标准,使XAS能够进行可靠的预测.
• 通过ML模型识别的原子贡献与潜在的量子化学原理相关联.

主要方法:

• 在为小型有机分子定制的XAS数据集上开发和应用各种GNN架构.
• 每个GNN模型所考虑的局部和全球分子环境的分析.
• 使用特征归属技术来识别XAS峰值的原子贡献.
• 从量子化学计算中获得的原子贡献与核心和虚拟轨道的比较.

主要成果:

• 对GNN模型进行彻底的分析,考虑到它们对当地和全球分子环境的处理,对于选择能够进行可靠的XAS预测的模型至关重要.
• 特性归属成功地确定了单个原子对XAS频谱中的特定峰值的贡献.
• 该研究表明了原子贡献,分子轨道和由此产生的XAS之间的明显联系,验证了ML模型的可解释性.

结论:

• 通过仔细的模型分析和特征归属,可以实现ML模型的解释性,特别是用于XAS预测的GNN.
• 这些发现使我们能够更深入地了解分子结构,电子特性和光谱特征之间的关系.
• 这项工作为在计算化学和材料科学中开发更透明,更可靠的机器学习工具提供了框架.