基于图神经网络的高温树脂材料预测模型

O6; 基于机器学习预测化合物性能的方法在材料研发的虚拟筛选中发挥着重要作用.现有方法通过人工提取特征构建传统机器学习模型,存在着特征提取困难以及难以处理简化分子线性输入(SMILES)码等问题.为了解决这些问题,本文提出了一种端到端的图神经网络预测树脂材料高温性能的方法.首先将树脂材料的SMILES码表示为图形,其中顶点代表原子,边代表化学键;然后通过构建分子图的图神经网络得到分子的向量表示;最后通过构建分子向量、环境、条件等信息的全连接神经网络回归模型预测树脂材料质量损失5％的最高温度.树脂材料数据集的实验表明,相较于传统的机器学习模型,端到端的图神经网络模型的预测准确率提升了一倍多....

Full description

Saved in:
Bibliographic Details
Published in功能高分子学报 Vol. 34; no. 6; pp. 554 - 561
Main Authors 杨宁, 魏伟, 胡航语, 郭雷, 方俊
Format Journal Article
LanguageChinese
Published 西北工业大学 自动化学院,西安 710129%西北工业大学 计算机学院,西安 710129 2021
Subjects
图神经网络;树脂材料;高温;性能;预测
Online AccessGet full text
ISSN1008-9357
DOI10.14133/j.cnki.1008-9357.20210730002

Cover

More Information
Summary:O6; 基于机器学习预测化合物性能的方法在材料研发的虚拟筛选中发挥着重要作用.现有方法通过人工提取特征构建传统机器学习模型,存在着特征提取困难以及难以处理简化分子线性输入(SMILES)码等问题.为了解决这些问题,本文提出了一种端到端的图神经网络预测树脂材料高温性能的方法.首先将树脂材料的SMILES码表示为图形,其中顶点代表原子,边代表化学键;然后通过构建分子图的图神经网络得到分子的向量表示;最后通过构建分子向量、环境、条件等信息的全连接神经网络回归模型预测树脂材料质量损失5％的最高温度.树脂材料数据集的实验表明,相较于传统的机器学习模型,端到端的图神经网络模型的预测准确率提升了一倍多.
ISSN:1008-9357
DOI:10.14133/j.cnki.1008-9357.20210730002