25、机器学习在化学动力学中的应用

机器学习在化学动力学中的应用

1. 引言

在化学研究中，高保真的动力学建模对于理解详细的反应化学和预测反应系统的性能至关重要。然而，反应模拟的真实性往往受到反应速率常数和热力学参数准确性的影响。随着机器学习技术的快速发展，人们已经成功构建了数据驱动的模型来预测分子的热力学和动力学性质。

2. 预测动力学参数的方法

2.1 传统定量构效关系（QSAR）方法

一些方法允许将反应物、试剂和产物中的原子叠加在组合分子图上，这样标准的化学信息学方法，如ISIDA片段描述符和SiRMS单纯形描述符，就可以应用于对伪分子进行特征化。例如，Madzhidova等人使用CGR建立支持向量回归和随机森林模型，以预测双分子消除和亲核取代反应的速率常数。QSAR方法还被用于分析环加成、羟基自由基反应、臭氧 - 过氧化氢氧化和自由基C - H官能化等反应。

2.2 神经网络预测动力学参数

随着深度学习的兴起，人工神经网络（ANN）也被应用于预测反应速率常数。使用多层感知器（MLP）预测速率常数对数的简单概念已在水相OH反应、OH自由基反应和对流层臭氧降解等方面得到证明。

更先进的深度学习架构，如图形、基于SMILES和基于3D的输入，允许模型自动从分子连接性中学习隐含信息，因此它们通常比传统的ANN模型具有更好的泛化能力。例如，Grambow等人构建了一个D - MPNN模型，使用反应物和产物图对作为输入来预测活化能。该模型的架构与Chemprop类似，但不同之处在于将反应物和产物的分子图都输入到D - MPNN中对反应进行编码。通过计算产物中每个原子的隐藏向量与反应物中对应原子的隐藏向量的差值，得到原子差异指纹，