Проектирование систем растворителей в химических процессах с использованием саморазвивающихся баз данных растворимости и графовых нейронных сетей

Designing solvent systems in chemical processes using self-evolving solubility databases and graph neural networks
Yeonjoon Kim, Hojin Jung, Sabari Kumar, Robert S. Paton, Seonah Kim
2023-07-06

графовые нейронные сетикоэффициенты распределенияполуобучение с самоконтролируемым обучениембазы данных растворимостивыбор растворителя
Проектирование систем растворителей имеет ключевое значение для эффективного синтеза и разделения целевых продуктов в химических процессах, поэтому для прогнозирования растворимости было разработано множество моделей машинного обучения. Однако необходимы новые решения для устранения недостатков моделей, связанных с точностью прогнозирования и обобщающей способностью; этого можно достичь путем расширения и интеграции экспериментальных и вычислительных баз данных растворимости. Для максимального повышения точности прогнозирования эти две базы данных не следует обучать раздельно, равно как и просто объединять без устранения расхождений, обусловленных различной величиной ошибок и неопределенностей. В настоящей работе представлены саморазвивающиеся базы данных растворимости и графовые нейронные сети, разработанные с использованием подходов полуобучения и самотренировки. Данные о растворимости, полученные квантово-механическими расчетами, используются в процессе полуобучения, но непосредственно в экспериментальную базу данных не добавляются. Объем набора данных был увеличен с 11 637 экспериментальных значений растворимости до более чем 900 000 точек данных в интегрированной базе данных с одновременной коррекцией расхождений между экспериментом и расчетами. Модель успешно применена для изучения выбора растворителей в органических реакциях и процессах разделения. Достигнутая точность (средняя абсолютная ошибка около 0,2 ккал/моль для тестовой выборки) является количественно полезной для исследования линейных зависимостей свободной энергии между скоростями реакций и свободными энергиями сольватации для 11 органических реакций. Модель также точно предсказывала коэффициенты распределения мономеров, производных лигнина, и молекул лекарственного типа. Мы ожидаем, что этот подход окажется востребованным и в других областях прогностической химии, где необходимо объединять экспериментальные, вычислительные и любые другие гетерогенные источники данных.
1
Квантово-механические данные о растворимости используются для полуобучения, но не добавляются напрямую в экспериментальную базу, что позволяет учитывать различия в величинах ошибок и неопределённостях.
2
Метод расширил 11 637 экспериментальных измерений растворимости до более чем 900 000 интегрированных точек данных, корректируя расхождения между экспериментальными и квантово-механическими результатами.
3
Модель точно предсказывала коэффициенты распределения мономеров, полученных из лигнина, и молекул лекарственного типа, а также поддерживала выбор растворителей для синтеза и разделения.
4
Модель достигла средней абсолютной ошибки около 0,2 ккал/моль на тестовой выборке, обеспечив количественно полезный анализ линейных свободноэнергетических соотношений для скоростей реакций и свободных энергий сольватации в 11 органических реакциях.
5
В работе представлены саморазвивающиеся базы данных растворимости и графовые нейронные сети, использующие полуобучение с самотренировкой для интеграции экспериментальной и вычислительной информации.

Растворительные системы и данные о растворимости для химических процессов, включая органические реакции, процессы разделения, мономеры, производные лигнина, и лекарствоподобные молекулы

Предсказание растворимости и эффективность выбора растворителей, включая согласование экспериментальных и квантово-механических данных, а также прогнозирование свободных энергий сольватации и коэффициентов распределения

Publication Details
Publication Date
2023-07-06
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Yeonjoon Kim
Hojin Jung
Sabari Kumar
Robert S. Paton
Seonah Kim
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%