过氧自由基的运动学建模:一种深度强化学习方法
使用机械途径与对比学习相结合的新反应预测系统 RMechRP,在自由基反应领域提供不同层次的化学反应解释,并在大气化学等各种应用中展现了准确且可解释的自由基反应预测的潜力。
Nov, 2023
大气氮氧化物主要来自燃料燃烧,会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架,结合了传输模型和机器学习的优势,可以准确预测 NO2 和 NOx 的地面浓度,并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。
Aug, 2023
DA-MolDQN 是一个分布式强化学习算法,结合了深度强化学习和关键化学属性,用于优化抗氧化剂,其训练时间较之前的算法快 100 倍,能够从专有和公共抗氧化剂中发现新的优化分子。
Dec, 2023
利用机器学习(ML)技术,本研究探索了化学动力学性质的估计。通过 “AI4drug discovery” 发现的药物分子为基础,下一步的关键是以人工智能驱动的设计高通量化学合成过程,并估计未知反应和未探索分子的性质。为此,对于动力学性质预测的现有 ML 方法需要具备 Out-Of-Distribution(OOD)的可推广性。本文将 OOD 动力学性质预测分为三个级别(结构,条件和机制),揭示了这些问题的独特方面。在这个框架下,我们创建了全面的数据集,用于评估(1)在 OOD 设置中用于反应预测的最新 ML 方法,以及(2)用于动力学性质预测问题的最新图形 OOD 方法。我们的结果展示了 OOD 动力学性质预测中的挑战和机遇。我们的数据集和基准可以进一步支持这一研究方向。
Oct, 2023
通过对反应性分子势能面(PES)应用不确定性量化(UQ)来检测具有较大预期误差的样本(异常值)。三种方法 —— 集成方法、深度证据回归(DER)和高斯混合模型(GMM)—— 被应用于 syn-Criegee 和乙烯基羟基过氧化物之间的 H 转移反应。结果表明,集成模型提供了检测异常值的最佳结果,其次是 GMM。例如,从具有最大不确定性的 1000 个结构的样本中,如果寻找具有大误差的 25 个或 1000 个结构,则异常值的检测质量分别为约 90% 和约 50%。相反,统计假设的 DER 的限制极大地影响了其预测能力。最后,发现了与大平均误差相关的基于结构的指标,这可能有助于快速将新结构分类为有利于改进神经网络的结构。
Feb, 2024
本文提出了一种新的框架来同时满足电子再分配建模的两个基本规则 —— 电子计数规则和对称规则,并通过 Sinkhorn 算法迭代更新注意力映射,以将双重保守约束作为附加信息先验于电子再分配建模中,以此来显著提高非自回归模型的预测性能。
Jun, 2023
本文介绍了一种基于 Diffusion Map 的自动化方法,用于对详细的化学动力学模型进行简化,选择少量变量进行模型开发,并以一个实例燃烧问题为例进行讨论。
Jul, 2013
通过机理模型,我们可以预测反应产物、发现新反应,并预测杂质。本研究构建了一个数据集,通过专家反应模板在实验报告的反应物和产物之间填补中间体,然后使用机器学习模型对该数据集进行训练。我们探索了模型的性能和能力,特别关注其预测反应途径以及催化剂和试剂的作用。此外,机理模型在预测杂质方面具有潜力,这通常被传统模型所忽视。最后,我们评估了机理模型在新的反应类型上的推广能力,并揭示了数据集多样性、连续预测和原子守恒违规方面的挑战。
Mar, 2024
研究探讨了气候因素对空气质量的影响,通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示,采暖度日增加与空气污染水平增加之间存在相关性,这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性,相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献,有助于决策者制定有效的数据驱动型气候政策。
May, 2024
本研究扩展了神经 ODE 框架,通过在训练期间直接将质量守恒约束纳入损失函数,实现了对刚性化学动力学的建模,在与 CFD 求解器的下游集成中确保了总质量和元素质量的守恒,提高了物理一致性、稳定性和计算效率。
Nov, 2023