Generative Deep Learning Framework for Inverse Design of Fuels

要約

現在の作業では、燃料の加速された逆設計を可能にするために、定量的構造 – プロパティ関係（QSPR）テクニックを備えた、共同最適化変動自動エンコーダー（CO-VAE）アーキテクチャを組み合わせた生成的な深い学習フレームワークが開発されています。
CO-VAEは、VAE潜在スペースと相まってプロパティ予測コンポーネントを統合し、分子再構成と研究オクタン数（RON）の正確な推定を強化します（関心のある燃料特性として選択）。
キュレーションされたRONデータベースで濃縮されたGDB-13データベースのサブセットがモデルトレーニングに使用されます。
ハイパーパラメーターのチューニングは、再構成の忠実度、化学的妥当性、およびRON予測のバランスを最適化するためにさらに利用されています。
その後、独立した回帰モデルを使用してRON予測を改良しますが、差動進化アルゴリズムを使用して、VAE潜在スペースを効率的にナビゲートし、高RONの有望な燃料分子候補を特定します。
この方法論は、包括的な潜在的な表現内で複雑な構造プロパティ関係を捉えることにより、従来の燃料スクリーニングアプローチの制限に対処します。
生成モデルは、広大な化学空間を体系的に探索するための柔軟なツールを提供し、優れたアンチノック特性を持つ燃料を発見するための道を開いています。
実証されたアプローチは、新しい燃料のde novo設計の適用性と信頼性を高めるために、追加の燃料特性と合成化可能性基準を組み込むために容易に拡張できます。

要約(オリジナル)

In the present work, a generative deep learning framework combining a Co-optimized Variational Autoencoder (Co-VAE) architecture with quantitative structure-property relationship (QSPR) techniques is developed to enable accelerated inverse design of fuels. The Co-VAE integrates a property prediction component coupled with the VAE latent space, enhancing molecular reconstruction and accurate estimation of Research Octane Number (RON) (chosen as the fuel property of interest). A subset of the GDB-13 database, enriched with a curated RON database, is used for model training. Hyperparameter tuning is further utilized to optimize the balance among reconstruction fidelity, chemical validity, and RON prediction. An independent regression model is then used to refine RON prediction, while a differential evolution algorithm is employed to efficiently navigate the VAE latent space and identify promising fuel molecule candidates with high RON. This methodology addresses the limitations of traditional fuel screening approaches by capturing complex structure-property relationships within a comprehensive latent representation. The generative model provides a flexible tool for systematically exploring vast chemical spaces, paving the way for discovering fuels with superior anti-knock properties. The demonstrated approach can be readily extended to incorporate additional fuel properties and synthesizability criteria to enhance applicability and reliability for de novo design of new fuels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google