使用深度图形网络准确预测溶液中激进反应的屏障高度
Kevin A Spiekermann1, Xiaorui Dong1, Angiras Menon1
1Department of Chemical Engineering, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, United States.
我们开发了一个新的基态反应数据集,并训练了一个深度图形网络,以仅使用化学结构来预测反应障碍和溶剂效应. 这加速了化学合成规划的高通量选.
科学领域:
- 计算化学计算化学
- 化学动力学 化学动力学
- 机器学习在化学中的应用
背景情况:
- 准确预测反应障碍和溶剂效应对于开发动力学机制和预测化学反应结果至关重要.
- 现有的方法通常需要计算密集的优化来预测反应能量.
研究的目的:
- 创建一个全面的基本基因反应数据集与相关的能量数据.
- 开发一种能够直接预测气体和溶液阶段活化和反应的吉布斯自由能量的机器学习模型.
- 为了使合成规划中的应用能够快速,高吞吐量预测反应性质.
主要方法:
- 通过高层次量子化学计算生成了5,600个独特的基本基因反应的数据集.
- 用COSMO-RS进行溶解,计算了40种溶剂中的活化和反应的吉布斯自由能量.
- 训练了一个深度图形网络模型,使用原子映射的反应物,产物和溶剂的SMILES字符串作为输入.
主要成果:
- 深度图形网络实现了1.16 kcal mol-1的平均绝对误差,用于预测溶液中的吉布斯自由活化能量.
- 该模型只使用SMILES表示,成功地预测了反应能量,从而绕过了推理过程中需要进行结构优化的需求.
- 数据集增加到约200万条,包括原子映射的SMILES和经过验证的过渡状态.
结论:
- 开发的深度图形网络模型提供了一个计算效率高的方法来预测溶液中的激进反应能量.
- 这项工作为计算化学和机器学习的未来研究提供了有价值的基准数据集.
- 该模型非常适合加速高通量选,并协助 (逆) 合成规划.
更多相关视频
10:34Exploring the Radical Nature of a Carbon Surface by Electron Paramagnetic Resonance and a Calibrated Gas Flow
Published on: April 24, 2014
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Radical Reactivity: Overview
Radical Reactivity: Concentration Effects
Radical Chain-Growth Polymerization: Overview
Radical Reactivity: Intramolecular vs Intermolecular
Radical Formation: Abstraction
Even though homolysis produces radicals, it is different from radical...
Radical Reactivity: Nucleophilic Radicals
