使用可解释的机器学习方法来揭示融化过渡过程中的分子组合

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 机器学习 机器学习

背景情况:

• 了解相变期间的分子行为对于设计用于能源应用的相变材料至关重要.
• 开发可预测和可解释的模型,用于分子性质,如点是非常可取的.
• 现有的机器学习模型在复杂分子系统的解释性方面面临挑战.

研究的目的:

• 实施一种可解释的随机森林机器学习方法,以根据分子描述符预测点.
• 通过分析随机森林模型中的特定树木路径来建立结构-属性关系.
• 为了确定影响融化过渡时分子组合的关键原子对相互作用.

主要方法:

• 利用随机森林算法与基于原子对的描述符相结合,用于通用分子.
• 分析了独特的树路径,其次是分子,以确定描述符和点之间的因果关系.
• 将模型应用于2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 乙酸 (2,4-D) 作为概念证明.

主要成果:

• 随机森林模型成功地突出了关键的原子对组合和影响融化过程的相互作用.
• 该方法提供了对2,4-D在其点上的分子组织的见解.
• 用热调节FTIR和计算化学方法验证了模型预测.

结论:

• 开发的可解释机器学习框架为了解化过程中的分子组装提供了一种新的方法.
• 这种方法可以通过确定关键结构特征来指导新型相变材料的设计.
• 随机森林树路径和描述器分析的结合为材料科学研究提供了强大的工具.