Jan, 2020

矩阵完整化在热力学中的应用：活度系数的机器学习预测

PDF
TL;DR建立一种概率矩阵分解模型，用于预测任意二元混合物中活度系数，该模型不需使用任何已知的物理描述符，优于目前已经发展三十年的业内领先方法，可用于预测混合物的物理化学性质。
activity coefficientsliquid mixtureschemical engineeringprobabilistic matrix factorization modelphysico-chemical properties
发现论文，激发创造
  • 只需一個微笑：使用自然語言處理從 SMILES 預測極限活度係數

    使用 SMILES-to-Properties-Transformer（SPT）自然语言处理网络，通过从 COSMO-RS 中采样的大量合成数据训练并微调实验数据来准确预测限制性活度系数，取得了比 COSMO-RS、UNIFAC 等现有模型和近期机器学习方法更高的精度。

    Jun, 2022

  • 基于 Gibbs-Duhem 联系的神经网络二元活度系数预测

    使用 Gibbs-Duhem-informed 神经网络结合矩阵完成方法预测二元活性系数，保持 ML 模型的灵活性并提升模型的热力学一致性和泛化能力。

    May, 2023

  • 基于机器学习方法预测化合物活性

    探索机器学习（ML）方法和技术以解决各个领域中的特定挑战是必要的。本研究在化学信息学领域解决一个问题，即为预测化合物活性提供尽可能合适的解决方案。通过对 100 种不同组合的现有技术进行实验，选取满足 G-means、F1-score 和 AUC 指标等一套标准的解决方案。结果在 PubChem 的约 10,000 个化学化合物数据集上进行了测试，这些化合物根据其活性进行了分类。

    Sep, 2023

  • 平衡分子信息与实证数据在物理 - 化学性质预测中的应用

    利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

    Jun, 2024

  • 可扩展的贝叶斯非线性矩阵补全

    基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法，经过数据并行分布式计算方法加以优化，实现了对于高度稀疏大型矩阵的预测任务，得到了较好的实验结果。

    Jul, 2019

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 基于单层神经网络的非线性感应矩阵补全

    本文介绍了在推荐系统和半监督聚类中，如何应用非线性激活函数并使用梯度下降等优化技术，来解决非线性归纳矩阵完成问题，并展示了这种方法的性能优于传统的线性方法。

    May, 2018

  • QSAR 拟合的一致性预测方法的开发与评估

    提出了针对最先进的机器学习模型，包括深度神经网络和梯度提升机的计算有效的 CP 算法，可在一些数据分布的弱前提下生成有效预测间隔，为 QSAR 建模提供了新的工具。

    Apr, 2023

  • 机器学习技术在空间非均匀系统的聚集动力学快速预测中的应用

    使用现代机器学习技术通过条件归一化流学习取代 Smoluchowski 方程的数值解，可以显著减少计算时间并与直接数值模拟结果较好地吻合。

    Dec, 2023

  • 机器学习用于结构 - 性质关系：可扩展性和限制

    本文提出了一种可扩展的机器学习框架用于预测多体系统的强度等性质，尤其是相分类。该方法基于线性可扩展性和可转移性，通过局部化的先验假设，开发出用于有限大小块强度等性质预测的 ML 模型，并展示了该方法在相分类中的应用。

    Apr, 2023