論文の概要: Predicting CO$_2$ Absorption in Ionic Liquids with Molecular Descriptors
and Explainable Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2210.01120v1
- Date: Thu, 29 Sep 2022 18:31:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 17:11:56.171171
- Title: Predicting CO$_2$ Absorption in Ionic Liquids with Molecular Descriptors
and Explainable Graph Neural Networks
- Title（参考訳）: 分子記述子と説明可能なグラフニューラルネットワークを用いたイオン液体のCO$_2$吸収予測
- Authors: Yue Jian, Yuyang Wang, Amir Barati Farimani
- Abstract要約: 液体(IL)は、温暖化を緩和するためにCO$$の捕獲と貯蔵のための有望なソリューションを提供する。
本研究では,指紋に基づく機械学習モデルとグラフニューラルネットワーク(GNN)の両方を開発し,ILにおけるCO$の予測を行う。
従来のMLモデルよりも精度が高い(MAEは0.0137,$R2$は0.9884)。
- 参考スコア（独自算出の注目度）: 9.04563945965023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ionic Liquids (ILs) provide a promising solution for CO$_2$ capture and
storage to mitigate global warming. However, identifying and designing the
high-capacity IL from the giant chemical space requires expensive, and
exhaustive simulations and experiments. Machine learning (ML) can accelerate
the process of searching for desirable ionic molecules through accurate and
efficient property predictions in a data-driven manner. But existing
descriptors and ML models for the ionic molecule suffer from the inefficient
adaptation of molecular graph structure. Besides, few works have investigated
the explainability of ML models to help understand the learned features that
can guide the design of efficient ionic molecules. In this work, we develop
both fingerprint-based ML models and Graph Neural Networks (GNNs) to predict
the CO$_2$ absorption in ILs. Fingerprint works on graph structure at the
feature extraction stage, while GNNs directly handle molecule structure in both
the feature extraction and model prediction stage. We show that our method
outperforms previous ML models by reaching a high accuracy (MAE of 0.0137,
$R^2$ of 0.9884). Furthermore, we take the advantage of GNNs feature
representation and develop a substructure-based explanation method that
provides insight into how each chemical fragments within IL molecules
contribute to the CO$_2$ absorption prediction of ML models. We also show that
our explanation result agrees with some ground truth from the theoretical
reaction mechanism of CO$_2$ absorption in ILs, which can advise on the design
of novel and efficient functional ILs in the future.
- Abstract（参考訳）: イオン液体(ils)は地球温暖化を緩和するためにco$_2$の捕獲と貯蔵に有望な解決策を提供する。
しかし、巨大な化学空間からの高容量ilの同定と設計には、高価で徹底的なシミュレーションと実験が必要である。
機械学習(ml)は、データ駆動方式で正確かつ効率的な特性予測を通じて、望ましいイオン分子の探索プロセスを加速することができる。
しかし、イオン分子の既存のディスクリプタとmlモデルは、分子グラフ構造の非効率な適応に苦しむ。
さらに、効率的なイオン分子の設計を導くための学習された特徴を理解するために、MLモデルの説明可能性について研究する研究はほとんどない。
本研究では,指紋に基づくMLモデルとグラフニューラルネットワーク(GNN)の両方を開発し,ILのCO$2$吸収を予測する。
フィンガープリントは特徴抽出段階におけるグラフ構造に取り組み、GNNは特徴抽出段階とモデル予測段階の両方において分子構造を直接扱う。
提案手法は従来のMLモデルよりも高い精度(MAEは0.0137,$R^2$は0.9884)で優れていることを示す。
さらに, mlモデルのco$_2$吸収予測にil分子内の各化学フラグメントがどのように寄与するかを把握し, gnnの特徴表現を活用し, サブ構造に基づく説明法を開発した。
また, 今後の新規かつ効率的な機能的ILの設計を助言できるCO$2$吸収の理論的反応機構から, その説明結果が何らかの基礎的真実に一致することも示している。
関連論文リスト
- Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Gibbs-Helmholtz Graph Neural Network: capturing the temperature
dependency of activity coefficients at infinite dilution [1.290382979353427]
我々は,Gibs-Helmholtz Graph Neural Network (GH-GNN) モデルを構築し,温度の異なる分子系の$ln gamma_ijinfty$を予測する。
本稿では,GH-GNNの性能を連続的かつ離散的に解析し,モデルの適用性領域と予測精度を示す。
論文 参考訳（メタデータ） (2022-12-02T14:25:58Z) - Efficient Chemical Space Exploration Using Active Learning Based on
Marginalized Graph Kernel: an Application for Predicting the Thermodynamic
Properties of Alkanes with Molecular Simulation [10.339394156446982]
分子動力学シミュレーションを用いてデータとグラフニューラルネットワーク(GNN)を生成して予測する。
具体的には、4から19個の炭素原子からなる251,728個のアルカン分子とその液体物性を標的としている。
検証の結果、313個の分子だけが正確なGNNモデルを訓練するのに十分であり、計算テストセットは$rm R2 > 0.99$、実験テストセットは$rm R2 > 0.94$であった。
論文 参考訳（メタデータ） (2022-09-01T14:59:13Z) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳（メタデータ） (2022-08-30T05:16:15Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - Do Large Scale Molecular Language Representations Capture Important
Structural Information? [31.76876206167457]
本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。
実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
論文 参考訳（メタデータ） (2021-06-17T14:33:55Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。