基于图卷积神经网络建模预测扰动链—统计缔合流体理论状态方程纯组分参数

《Fluid Phase Equilibria》:Prediction of pure-component parameters of perturbed chain-statistical associating fluid theory equations of state using graph convolutional neural network-based modeling

【字体: 大 中 小 】 时间:2026年03月27日 来源:Fluid Phase Equilibria 2.7

编辑推荐:

  状态方程(EoS)是预测物理性质的有力工具,但进行相关计算需要物质特异性参数。这些参数通常通过实验测定的物理性质获得;然而,物理性质预测本身又需要预先已知这些性质,从而导致循环依赖问题。为解决这一问题,既往研究提出了基于机器学习的模型,直接由分子信息预测物质特

  
状态方程(EoS)是预测物理性质的有力工具,但进行相关计算需要物质特异性参数。这些参数通常通过实验测定的物理性质获得;然而,物理性质预测本身又需要预先已知这些性质,从而导致循环依赖问题。为解决这一问题,既往研究提出了基于机器学习的模型,直接由分子信息预测物质特异性参数,而不依赖实测物理性质。在现有方法中,研究人员发现,扰动链—统计缔合流体理论(PC-SAFT)状态方程(EoS)的纯组分参数对与分子尺寸和形状相关的分子描述符表现出强依赖性。此后,针对机器学习应用,已经开发出若干基于分子结构表征的方法。

本研究开发了一种基于图卷积神经网络(GCNN)的分子结构表征方法,将分子视为图结构,以预测PC-SAFT状态方程的纯组分参数。研究人员将所开发的GCNN模型与其他现有的基于分子结构表征的模型进行了比较,其中包括先前报道的基团贡献法模型和分子指纹法模型。结果表明,GCNN对纯组分参数的预测精度与其他现有模型相当,同时能够适应最广泛范围的分子结构。据此,本研究拓展了基于状态方程的物性估算适用范围。
该文发表于《Fluid Phase Equilibria》,聚焦于以机器学习方式预测扰动链—统计缔合流体理论(PC-SAFT,perturbed chain-statistical associating fluid theory)状态方程(EoS,equation of state)的纯组分参数,从而缓解热力学物性预测中长期存在的“先要有物性数据才能回归参数、而要预测物性又必须先知道参数”的循环依赖难题。研究背景在于,状态方程不仅可描述纯物质与混合物的压强—体积—温度关系,还可一致性计算汽化焓、剩余焓、逸度和相平衡常数等多种热力学量,因此其工程价值极高。PC-SAFT尤其因仅以链段数m、链段直径σ和链段间相互作用能ε三类纯组分参数表征物质而被广泛重视。然而,这些参数传统上依赖液体密度和饱和蒸气压等实验数据拟合获得,对于新物质尤其缺乏实验数据的体系,其预测应用因此受限。已有研究虽尝试利用量子化学信息或分子结构表示建立参数预测模型,但对于复杂分子尺寸与形状特征的捕捉仍有不足,因此有必要探索能更直接表达分子拓扑与局部化学环境的新型分子表示方式。

为此,研究人员建立了一个以分子图结构为输入的图卷积神经网络(GCNN,graph convolutional neural network)模型,用于直接预测PC-SAFT的3个纯组分参数m、σ与ε。研究的核心目标并非单纯追求某一组最优超参数,而是系统评估图结构表示在该任务中的适用性,并与既有基团贡献法模型、分子指纹模型以及基于量子化学分子信息的人工神经网络(ANN,artificial neural network)模型进行比较,从而厘清不同分子结构表征方式对PC-SAFT纯组分参数预测的影响。研究结论表明,GCNN模型能够在避免过拟合的同时实现可靠预测,其整体精度优于基于量子化学分子信息的ANN模型,与基团贡献法和分子指纹法模型总体处于相近水平;同时,GCNN能够覆盖更广泛的分子结构,表明其在扩展状态方程参数预测对象方面具有重要意义。

在技术方法上,研究人员首先利用RDKit将分子的SMILES表示转化为图结构数据,包括去除氢原子后的节点信息与原子连接邻接信息;随后基于279种物质的PC-SAFT纯组分参数数据库构建训练集与验证集,采用两层图卷积层、全局平均池化层和两层全连接层组成的GCNN架构,以均方误差(MSE,mean-squared error)为损失函数,并通过AdamW优化算法进行训练,同时引入dropout正则化以抑制过拟合。网络结构的激活函数与神经元数目通过逐步人工搜索优化确定,最后再与既有不同分子表征模型的预测结果进行对比分析。样本来源为既往报道的PC-SAFT纯组分参数数据库,共包含279个化合物,涵盖烷烃、环烷烃、芳香族、醚、酯、酮、醇、胺、含卤烃、含氟化合物及Si组分等多个分子家族。

在“2.1. PC-SAFT EoS”部分,论文首先系统说明了PC-SAFT状态方程的理论基础。研究人员指出,该方程以残余Helmholtz自由能表示体系偏离理想行为的贡献,并将其分解为硬链相互作用、色散相互作用和缔合作用3部分。对于纯组分参数而言,m表征构成分子的刚性球链段数,体现分子尺寸与形状;σ为单个刚性球直径;ε表征链段之间的相互作用能强度。对于醇类等可缔合物质,还需额外考虑缔合体积κAiBi和缔合能εAiBi等参数,但本研究聚焦于所有缔合与非缔合物质共同具有的m、σ和ε预测问题。通过这部分阐述,研究明确了机器学习输出对象的物理意义,即用分子结构预测EoS的核心物质特异性输入参数。

在“2.2. Graph structure information”部分,研究人员给出了分子图结构信息的构建方法。SMILES字符串输入RDKit后,分子被转化为由原子节点和化学键边组成的图。节点信息包含原子序数、成键数、形式电荷等,共121个元素;邻接信息则用矩阵表示原子间是否相连。与通常将对角元素设为0的邻接矩阵不同,本研究将表示原子自身的元素设为1,以避免在节点与邻接信息结合时造成节点信息损失。研究人员将279种物质全部转化为图结构输入,并指出数据库中不同分子家族的数据量分布不均,但考虑到GCNN训练需要尽可能多的数据,研究保留了这种偏态分布。训练集与验证集虽然未像既往基团贡献模型那样刻意确保全部原子基团均在训练中出现,但两数据集在最大值、最小值、均值和标准差方面高度接近,从而为比较提供了相对稳定的基础。

在“2.3. GCNN”部分,论文详细描述了模型架构与训练策略。GCNN由两层图卷积层、一个全局平均池化层和两层全连接层构成。图卷积层中,每个节点聚合自身及其邻近节点特征,再经加权求和和非线性激活完成特征更新;全局平均池化将不同大小分子图压缩为固定长度的一维向量,以适配后续输出3个纯组分参数;最后的全连接层则承担从图特征到参数空间的映射。由于m、σ和ε量纲不同,研究人员在训练中对输出进行标准化处理,以避免损失函数偏向数值尺度更大的参数。训练采用AdamW算法,更新步数为10000,学习率设为0.0001,并持续监控训练集与验证集损失变化以判断是否发生过拟合。值得注意的是,论文强调本研究采用逐步人工搜索方式优化结构元素,依次考察图卷积层激活函数、第一层神经元数、第二层神经元数、全连接层激活函数和神经元数,这一策略使研究不仅得到可用模型,也获得了各结构要素影响预测性能的规律性认识。

在“3.1. Network structure optimization and development”部分,研究首先展示了网络结构优化结果。针对图卷积层,比较了ReLU、Leaky ReLU、ELU、SELU、GELU、ReLU6、softplus、swish、sigmoid、hard sigmoid、softsign、softmax、log softmax和tanh等14种激活函数后,发现整体上ReLU类函数优于sigmoid类函数,因此图卷积层采用ReLU。随后,研究人员考察神经元数对性能的影响,发现图卷积层神经元增加时训练与验证精度同步改善,但提升并非线性,在约60个神经元后趋于平台;进一步联合考察两层卷积层神经元数后,最终将第一层定为64、第二层定为100,以在精度与避免过拟合之间取得平衡。对全连接层的比较显示,随着神经元数增加,性能在约30个神经元时趋于稳定;激活函数中Leaky ReLU取得最佳训练与验证表现,softplus在减小训练—验证差距方面略优,但整体参数预测仍以Leaky ReLU更佳。由此,研究确定最终GCNN结构为:两层图卷积层分别采用ReLU并含64和100个神经元,全连接层采用Leaky ReLU并含30个神经元。该结果说明,适度而非过度复杂的常规GCNN结构即可较稳定地承担PC-SAFT参数预测任务。

在“3.2. Estimation of pure-component parameters using GCNN”部分,研究人员评估了优化后GCNN对纯组分参数的预测能力。结果显示,无论训练集还是验证集,m、σ和ε的预测点均大体分布在对角线附近,表明模型具有较好的拟合与泛化能力,并未出现明显过拟合。进一步按分子家族分析时,研究未观察到某一类分子系统性拉低模型性能,但数据量较少的家族预测精度往往较差;芳香族化合物尽管样本较多,由于内部结构多样性高,例如含多个苯环的化合物,预测表现仍相对较弱;n-烷烃的结果也提示,影响精度的不仅是数据量,还包括结构模式在数据库中的代表性和独特性。研究还列出了各参数预测误差最大的10种物质,用以追溯大偏差来源。结果表明,误差较大的样本既有验证集也有训练集,说明GCNN比此前模型过拟合程度更低;且某一参数预测不佳并不必然意味着其余两个参数也同样较差。Adamantane在σ和ε预测中表现最差,并在m预测中也位列靠后,且这一现象在既往所有模型中都存在,说明问题并非GCNN特有,而更可能源于该化合物参数在现有数据库中的高度独特性。总体而言,这部分结果证明GCNN能在不依赖实验物性输入的前提下,实现对PC-SAFT纯组分参数的稳定估计。

在“3.3. Comparison of GCNN model with previously developed models”部分,论文将GCNN与先前模型进行了系统比较。结果表明,GCNN的预测精度高于使用量子化学分子信息的ANN模型,这支持了PC-SAFT纯组分参数与分子尺寸、形状表征关系更为密切的判断。在不同分子结构表征模型之间,基团贡献法模型的参数预测精度最佳,其次为分子指纹模型,再次为本研究的GCNN;但几类模型间的整体差异并不显著,且在部分指标上GCNN优于排名更高的模型。研究据此认为,对于PC-SAFT纯组分参数预测任务,不同分子表示方式——包括图结构、基团贡献和分子指纹——并不存在决定性的优劣差距。论文进一步讨论了造成这一结果的原因:图结构和分子指纹虽包含更丰富的原始结构信息,但也需要更大规模的数据支撑,而本研究所用279个样本的数据量可能不足以完全释放高信息量表示的优势。相比之下,基团贡献法虽简化了结构信息,甚至无法区分部分结构异构体,却在现有数据规模下展现出较高效率。研究还据文献指出,若在结构表示之外加入与目标性质相关的附加信息,如分子量、体积、熔点或量子化学能量信息,可能进一步改善模型精度,因此未来值得发展融合分子结构表示与额外分子信息的混合模型。

讨论部分的核心在于,研究并未将GCNN描述为绝对最优方案,而是强调其在“扩大可处理分子结构范围”方面的价值。由于图结构表示能够直接保留分子拓扑和局部化学环境而不依赖预定义基团,GCNN在理论上更适于面对结构类型不断扩展的新物质;但其优势能否在预测精度上显著体现,仍受限于可用训练数据规模。研究因此指出,单纯增加输入信息量并不必然提升预测效果,关键在于增加与输出参数具有明确相关性的有效信息。这一判断对后续EoS参数预测模型开发具有方法论意义,即模型性能提升不仅依赖更复杂的神经网络结构,也依赖输入信息选择与数据规模之间的匹配。

研究结论部分可译述如下:研究人员成功开发了一种图卷积神经网络(GCNN),用于预测PC-SAFT状态方程的纯组分参数m、σ和ε。该模型以图结构形式表示分子结构并作为输入,采用逐步人工搜索优化网络架构,在避免过拟合的同时确定了合适的模型结构。两层图卷积层均采用ReLU激活函数,第一层和第二层神经元数分别为64和100;全连接层采用含30个神经元的Leaky ReLU。所开发的GCNN能够有效抑制过拟合,并实现纯组分参数的可靠估算。本研究重点在于验证引入GCNN的效果,因此所得总体结构属于常规GCNN结构,若进一步调整整体架构,预测结果仍有提升空间。此外,由于结构元素通过逐步人工探索确定,该结构并不能视为真正的全局最优。若将本研究模型用于进一步预测,宜采用随机网格搜索或贝叶斯优化等成熟方法继续优化。GCNN模型的预测精度优于采用量子化学计算分子信息的ANN模型,这证实纯组分参数与分子尺寸和形状相关描述符密切相关。尽管图结构分子表示是原始分子结构数据中信息量最丰富的形式,GCNN与其他分子结构表示模型仅表现出相近的预测精度,这很可能是由于数据量不足,尚无法充分发挥高信息量表示的潜力。所提出的GCNN模型仍面临在扩展预测对象的同时进一步提高预测精度的挑战。本研究表明,单纯增加输入参数并不一定能提高模型精度;除分子结构表示外,加入适当参数可能改善预测性能。基于这些认识,未来构建同时利用分子结构表示与分子信息的新模型,有望进一步提升预测精度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号