使用机器学习预测二元表面活性剂混合物的临界微粒度

科学领域:

• * 物理化学 物理化学
• * 材料科学 材料科学
• * 计算化学 计算机化学

背景情况:

• *表面活性剂混合物在制药,化品和能源等行业中至关重要.
• *预测它们的临界细胞度 (CMC) 对于性能至关重要,但由于复杂的相互作用而具有挑战性.
• *目前的方法与表面活性剂混合物的化学多样性和非线性行为作斗争.

研究的目的:

• * 开发一种基于人工神经网络 (ANN) 的机器学习框架,用于预测二元表面活性剂混合物的CMC.
• * 为了使已知和全新的表面活性剂组合能够准确地进行CMC预测.
• *以加速数据驱动的表面活性剂设计和配方优化.

主要方法:

• * 用化学信息学为单个表面活性剂成分的分子描述符.
• * 采用聚合策略 (连锁,算术平均值,和平均值) 来结合描述符.
• * 训练并验证了一种ANN模型,确定ANN的算术平均策略是最佳的.
• * 应用了SHAP分析来确定模型的可解释性.

主要成果:

• *使用算术平均值描述器聚合的ANN模型在预测CMC值方面取得了很高的准确性.
• * 已证明的双重能力:在已知的混合物中进行精确的插值,并准确地预测新组合.
• *SHAP分析证实了主要的化学特征 (疏水表面积,电子描述符,头组基本性) 推动了预测.

结论:

• *开发的机器学习框架为预测二元表面活性剂混合物的CMC提供了强大的工具.
• *这种方法显著减少了实验力度,并加速了表面活性剂的合理设计.
• *研究结果支持开发用于各种应用的先进表面活性剂配方,包括药品,个人护理和增强的石油回收.