基于图卷积的离子液体 CO2 溶解度可解释性预测

来源：计算机技术与发展杂志2024年第02期北京时间：

作者：张茜茜;';陈平;'

单位：1. 中北大学 信息与通信工程学院,山西 太原 030051;2. 信息探测与处理山西省重点实验室(中北大学),山西 太原 030051

摘要：为构建离子液体的 CO2 溶解度的准确预测模型,考虑到传统模型存在的描述符计算复杂、成本高、关联结构与性质困难、结构特征提取不充分等问题,提出一种融合了加入注意力机制的图卷积神经网络和 XGBoost 的预测模型( APGCN-XGBoost) 。 对 9 897 组离子液体的 CO2 溶解度数据的分析结果显示,所提出的 APGCN-XGBoost 模型在预测性能上优于传统的分子指纹模型和图卷积神经网络模型。 此外,通过注意力池化层与 SHAP 方法对模型进行解释,APGCN-XGBoost 模型学习到了离子液体中各个原子和结构的特征信息与分子非局部信息,这些特征信息不仅可以用于性质预测,还可以用于探索化学结构与性质之间的联系,即通过模型的解释,筛选出对于溶解度预测重要的离子液体结构信息,从而实现 CO2捕获过程中理想离子液体的计算机辅助设计和筛选。

关键词：图卷积神经网络;离子液体;性质预测;溶解度;可解释性