基于化学图的变压器模型用于预测高通量交叉合反应数据集的产量
Akinori Sato1,2, Ryosuke Asahara2, Tomoyuki Miyao1,2
1Data Science Center, Nara Institute of Science and Technology, 8916-5 Takayama-cho, Ikoma, Nara 630-0192, Japan.
ACS omega
|October 7, 2024
概括
我们开发了一种新的MPNN-变压器模型,用于预测化学反应产量. 这种人工智能方法显示出高精度,特别是在大型数据集和特定交叉合反应中.
科学领域:
- 计算化学计算化学
- 机器学习在化学中的应用
- 化学反应工程 化学反应工程
背景情况:
- 化学反应产量对于优化反应条件至关重要.
- 使用高通量实验的数据驱动模型正在出现用于产量预测.
- 准确的产量预测有助于高效的化学合成和工艺开发.
研究的目的:
- 提出一种新的神经网络架构,用于预测化学反应产量.
- 为了利用反应元件的化学图表表示来提高预测.
- 将拟议模型的性能与现有最先进的方法进行比较.
主要方法:
- 开发了一个信息传递神经网络 (MPNN) 结合了变压器编码器 (MPNN-变压器).
- 作为分子矩阵的反应元件和内置的化合物角色嵌入.
- 在Buchwald-Hartwig交叉合 (BHC) 和Suzuki-Miyaura交叉合 (SMC) 数据集上评估模型性能.
主要成果:
- 在BHC数据集上,MPNN-变压器模型实现了高预测准确度.
- 在以推断为导向的SMC数据集上表现强.
- 随着训练数据集大小的增加,准确性得到了改善,并且显示出与纯结构相似性的局限性.
结论:
- 对于化学反应产量预测,MPNN-变压器架构是有效的.
- 该模型显示了优化交叉合反应的前景.
- 数据驱动的收益率预测有局限性,特别是关于化学结构相似性.


