使用节神经网络对能量材料的可解释性能模型
Robert J Appleton1, Peter Salek2, Alex D Casey3
1School of Materials Engineering and Birck Nanotechnology Center, Purdue University, West Lafayette, Indiana 47907, United States.
The journal of physical chemistry. A
|January 31, 2024
概括
本研究介绍了使用宽松神经网络 (PNN) 的爆炸物和推进剂的可解释的预测模型. 这些模型平衡了材料选和设计的准确性和简单性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 预测模型对于爆炸物和推进剂的性能,设计和安全至关重要.
- 目前的模型缺乏可解释性,阻碍了对材料物理和化学的洞察力.
- 第一原则计算提供了基本数据,但在计算上是密集的.
研究的目的:
- 开发可解释的模型来预测推进剂的特定冲动和爆炸性爆炸速度和压力.
- 为了平衡模型准确性与简单性,以实现高效的材料选.
- 为了深入了解能量材料的基础物理和化学.
主要方法:
- 利用节神经网络 (PNN) 来发现可解释的模型.
- 采用进化优化与自定义神经网络相结合.
- 训练有素的模型使用客观函数,平衡准确性和复杂性.
- 来自开放文献的数据来源.
主要成果:
- 成功发现了特定冲动,爆炸速度和压力的可解释模型.
- 确定了帕雷托最佳模型,为所有三个属性平衡准确性和简单性.
- 证明PNN在创建可理解的预测模型方面的有效性.
结论:
- 节神经网络为开发可解释的能量材料预测模型提供了一种可行的方法.
- 开发的模型提供了预测能力和可解释性之间的平衡,有助于材料设计和发现.
- 这项工作促进了更快的选和更深入地了解爆炸物和推进剂.


