机器学习辅助燃料分子设计
张香文1,2,3侯放1刘睿宸1王莅1,3李国柱1,3 （1.天津大学化工学院；2.先进燃料与化学推进剂教育部重点实验室；3.物质绿色创造与制造海河实验室）
摘要：燃料的理论设计一直是推进技术领域的研究重点，可以有效避免复杂的实验和潜在的危险，指导燃料合成并与实验结果相互验证，对新一代燃料开发至关重要。然而，基团贡献法和量子化学方法等传统的计算方法存在准确性差和效率低的缺陷。机器学习的快速发展，为设计和开发潜在高能燃料开辟了新的途径，在性质预测和分子设计两个关键环节均展现了强大的能力。本综述首先介绍了几种用于机器学习的燃料分子描述方式，分别对用于燃料性质预测和分子设计的不同机器学习模型进行简要介绍。进一步对机器学习辅助燃料性质预测和新型燃料分子设计的研究现状进行了归纳总结。最后，探讨了机器学习在燃料应用领域所面临的挑战及后续发展方向。
关键词：燃料；机器学习；分子描述；性质预测；分子设计；高通量筛选
目录介绍
1 引言
2 燃料分子描述方式
2.1 基于SMILES 式的分子指纹
2.2 库仑矩阵
2.3 连续可操作的分子输入范式
2.4 分子图
3 机器学习模型
3.1 燃料性质预测模型
3.1.1 线性回归
3.1.2 人工神经网络
3.1.2.1 单层神经网络
3.1.2.2 深度神经网络
3.1.2.3 卷积神经网络
3.1.2.4 图神经网络
3.1.3 支持向量机
3.1.4 决策树
3.1.5 集成学习模型
3.2 燃料分子生成模型
3.2.1 变分自编码器
3.2.2 生成对抗网络
4 燃料性质预测
4.1 单一燃料性质的预测
4.1.2 闪点
4.1.3 黏度
4.1.4 热值
4.1.5 十六烷值
4.2 多种燃料性质的预测
5 新型燃料分子设计
5.1 高通量筛选燃料分子
5.2 新型燃料分子逆向设计
5.3 不同设计方法的对比
6 结论与展望
©软件著作权归作者所有。本站所有文件均来源于网络，仅供学习使用，请支持正版！
转载请注明出处！
发表评论 取消回复