用不确定性引导的PGCNN加速聚合物发现:可解释的AI用于预测属性和机械洞察力
Shuyu Wang1, Hongxing Yue1, Xiaoming Yuan2
1Department of Control Engineering, Northeastern University at Qinhuangdao, Qinhuangdao, Hebei 066000, China.
我们开发了一个可解释的深度学习模型,即聚合物图形卷积神经网络 (PGCNN),以准确预测聚合物特性. 这种方法通过解决数据限制和提高可解释性来增强聚合物发现和理解.
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
- 人工智能的人工智能
背景情况:
- 从单体组成中预测聚合物的特性对于材料发现至关重要,但面临着有限的数据和糟糕的解释性等挑战.
- 现有的方法在准确的属性预测和理解物质行为的物理基础方面扎.
- 聚合物的广化学空间需要先进的计算工具来有效地探索.
研究的目的:
- 开发一种可解释的深度学习模型,用于准确预测聚合物性质.
- 解决聚合物信息学中数据不足,表示效率低下和解释能力不足的挑战.
- 为了实现高通量选和加速新型聚合物材料的发现.
主要方法:
- 提出了聚合物图形卷积神经网络 (PGCNN),这是一个集成证据深度学习的可解释模型.
- 使用RadonPy数据集训练PGCNN并与实验数据验证.
- 采用了不确定性引导的积极学习和全球关注机制,以提高培训和可解释性.
主要成果:
- 实现了对各种聚合物性质的准确预测.
- 量化预测不确定性和启用样本高效训练.
- 确定了影响物质属性的关键功能组,有助于机理学理解.
- 成功选了一百万个假设的高分子的导热性.
结论:
- PGCNN模型为数据驱动的聚合物发现提供了一种可靠和可解释的方法.
- 这项工作通过可解释的AI来推进对聚合物的机械学理解.
- 该模型促进了高通量选,以识别具有理想性质的有前途的聚合物候选物.
更多相关视频
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
相关概念视频
Polymer Classification: Crystallinity
Crystalline domains are the regions where polymer chains are aligned in an orderly manner and held together in proximity by intermolecular forces. For example, chains in the crystalline domains of polyethylene and nylon are bound together by van der Waals...
Step-Growth Polymerization: Overview
Many natural and synthetic polymers are produced by...
Polymers: Molecular Weight Distribution
Ziegler–Natta Chain-Growth Polymerization: Overview
Protein-protein Interfaces
