20、基于图神经网络的脱氢焓预测方法研究

pp12345

墨衍会员 · AI 创作全网分发码龄18年

关注

原创最新推荐文章于 2026-04-08 06:45:00 发布 98 阅读 AI 写同款· GEO 优化 ›

智能信息与数据库系统的新挑战专栏收录该内容

¥69.90 ¥499.90

64篇文章

订阅专栏

超级会员免费看

基于图神经网络的脱氢焓预测方法研究

1. 背景

在化学领域，液态有机氢载体（LOHC）材料的筛选问题可归结为化学性质预测（CPP）的一个具体实例。下面介绍一些与该研究密切相关的现有CPP方法。
- 利用分子特征的CPP ：分子的化学性质由其物理化学结构决定。定量结构 - 活性/性质关系（QSAR/QSPR）建模方法采用计算机模拟的方式来预测化学性质。例如OPEn结构 - 活性/性质关系应用程序（OPERA），它在分子特征上应用加权k近邻算法。
- 利用SMILES表示法的CPP ：简化分子线性输入规范（SMILES）是一组用字符表示原子和键的字符串。早期研究成功地将SMILES应用于CPP。然而，一个分子可能有多个SMILES字符串，这可能导致模型输出具有排列可变性。图神经网络（GNNs）通过利用节点之间的连接性解决了这个问题，使其具有排列不变性，并且在CPP中表现出优越的性能。

2. 图神经网络

2.1 定义

假设一个图$G = {V, E}$，其中$V$是节点集，$E$是边集。每个节点$v \in V$有一个节点特征$x_v \in X$（$X$表示节点特征变量）；连接节点$v$和$u$的每条边$e_{uv} \in E$有一个边特征$e_{vu} \in E$（$E$表示边特征变量）。GNN在第$k$层产生节点表示$h^{(k)} v$的公式为：
$h^{(k)}_v = COMBINE(h^{(k - 1)}_v, AGGREGATE({h^{(k - 1)}_v, h^{(k - 1)}_u, e {vu} : u