Применение графовых нейронных сетей (GNN) для расчетов многокомпонентных смесей

Вот перевод и профессиональная адаптация текста на русский язык с сохранением всех ключевых деталей, чисел и терминологии.

---

Адаптированный русскоязычный текст

Интеллектуальное прогнозирование свойств многокомпонентных систем: архитектура SolvGNN для моделирования межмолекулярных взаимодействий

Продолжая тему интеллектуального предсказания свойств, данная статья посвящена задаче корректного захвата и учета сложных молекулярных взаимодействий в многокомпонентных системах. Стандартные нейросетевые подходы, как правило, используют простое усреднение или конкатенацию признаков отдельных компонентов, что неизбежно приводит к потере критически важной информации о межмолекулярных взаимодействиях, особенно в жидкой фазе.

Для решения этой проблемы была разработана специализированная архитектура SolvGNN (Solvation Graph Neural Network — Графовая нейронная сеть для сольватации). Модель реализована на языке Python с использованием библиотек PyTorch и DGL (Deep Graph Library). Архитектура SolvGNN комбинирует два ключевых механизма: локальную свертку графов на атомарном уровне и глобальную передачу сообщений (message passing) через сеть, описывающую молекулярные взаимодействия. Такой подход позволяет алгоритму явно учитывать не только структуру смеси, но и концентрацию отдельных компонентов. Это особенно критично для расчета коэффициентов активности — величин, количественно измеряющих отклонение свойств реального раствора от идеального поведения.

Обучение модели проводилось на обширной базе данных, состоящей из 280 000 точек. Эти данные были сгенерированы с использованием метода COSMO-RS (Conductor-like Screening Model for Real Solvents) для 700 различных компонентов. Валидация обученной модели осуществлялась путем построения фазовых диаграмм для сложного набора многокомпонентных смесей с использованием предсказанных значений коэффициентов активности.

Полученные результаты демонстрируют высокую предсказательную способность разработанной архитектуры SolvGNN. Открытый исходный код модели предоставляет инженерам и исследователям готовый вычислительный фреймворк для автоматического построения фазовых диаграмм. Данный инструмент может быть эффективно использован на ранних этапах скрининга растворителей, в частности, для оптимизации процессов экстрактивной ректификации.

Источник

Источник

Теги

• #MachineLearning
• #GNN
• #PhaseEquilibria
• #Thermodynamics

Источник: https://rsc.org

#MachineLearning #GNN #PhaseEquilibria #Thermodynamics