一种基于可解释机器学习的再生剂分子逆向设计方法及系统
本发明属于材料计算科学与公路工程技术的交叉领域,更具体地,涉及一种基于可解释机器学习的再生剂分子逆向设计方法及系统。
背景技术:
1、沥青路面因长期承受环境因素(如紫外光、热氧)与交通荷载的共同作用,易发生老化现象,表现为组分迁移与分子结构氧化,导致路面性能衰减,如脆裂、剥落等。为延长沥青路面使用寿命并实现资源循环利用,向老化沥青中添加再生剂是一种经济有效的技术手段。理想的再生剂能够补充老化沥青缺失的轻质组分,调和组分比例,恢复其流变性能。
2、然而,传统的再生剂研发模式严重依赖“试错法”和经验配方,存在显著的局限性。首先,再生剂分子的微观结构与宏观再生性能之间的构效关系模糊,犹如“黑箱”,导致研发周期漫长,通常需要数月甚至数年。其次,传统筛选过程高度依赖实验人员的经验,缺乏系统性的理论指导,难以在复杂的分子空间中精准定位最优分子结构,尤其难以满足针对特定老化程度和沥青来源的“精准再生”需求。再者,虽然密度泛函理论(density functionaltheory,dft)等量子化学方法能提供高精度的分子属性计算,但其计算成本高昂,无法胜任对大规模分子库的快速虚拟筛选。近年来,机器学习技术虽被引入材料科学领域,但多数模型仍属“黑箱”操作,其预测结果缺乏物理或化学意义上的可解释性,导致研究人员难以理解模型为何做出特定预测,从而限制了其在理性分子设计中的深度应用。
3、因此,开发一种能够快速、精准预测再生剂性能,并揭示分子结构与反应性内在关联的逆向设计方法,对于打破传统研发瓶颈、实现高性能再生剂的理性设计具有重大的理论价值和工程意义。
技术实现思路
1、针对现有技术的以上缺陷或改进需求,本发明提供了一种基于可解释机器学习的再生剂分子逆向设计方法及系统,用于解决现有再生剂研发模式存在的研发周期漫长、筛选过程高度依赖实验人员的经验以及机器学习模型缺乏可解释性分析,从而限制了其在理性分子设计中深度应用的问题。
2、为实现上述目的,按照本发明的一个方面,提供了一种基于可解释机器学习的再生剂分子逆向设计方法,包括:
3、离线训练阶段:
4、数据采集:收集现有沥青再生剂的分子结构表达式作为再生剂样本;
5、多尺度分子描述符计算:对于每一个再生剂样本,计算多个分子描述符,以全面表征物理化学属性;
6、模型构建:以分子描述符作为输入特征,构建性能预测模型用于预测再生剂的关键性能,关键性能包括以下至少一种:homo-lumo能隙、布氏粘度、表面张力、相容性参数以及流动活化能;
7、可解释性分析:对性能预测模型预测过程中各输入分子描述符的贡献度进行分析,获取影响预测关键性能的规律性分析结果;
8、在线优化设计阶段:
9、基于可解释性分析获得的规律性分析结果以及构建的性能预测模型,以关键性能作为目标进行再生剂分子逆向设计。
10、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,多尺度分子描述符计算中多个分子描述符包括以下描述符中的多种:
11、原子描述符:包括总分子量、原子总数、碳原子总数;
12、快速描述符:包括疏水参数、分子折射率、分子柔度;
13、空间描述符:包括信息量、互补信息量、键信息量、结构信息量、分子面积、分子体积、分子密度、回转半径;
14、半经验分子轨道理论描述符:包括平均极化率、总能量、结合能、总偶极矩;
15、密度泛函理论描述符:包括homo-lumo能隙。
16、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,数据采集还包括:
17、基于生成式ai的样本增强:采用生成对抗网络或变分自编码器作为生成式人工智能模型,学习现有沥青再生剂的分子描述符数据潜在分布,生成合成沥青再生剂;合成沥青再生剂同样作为再生剂样本以扩充数据集;
18、和/或,将数据集中的再生剂样本按照成分分为传统型、生物型和极性型三类;相应的,
19、以多个分子描述符为输入特征,以再生剂类别为预测目标,构建多种模型分别进行超参数优化以获取最优配置;通过比较多种模型,选择分类性能最优的模型作为性能预测模型的种类。
20、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,可解释性分析具体包括以下分析中的至少一种:
21、(1)全局与局部特征贡献分析:应用shap方法,计算每个分子描述符对样本预测结果的边际贡献shap值;基于每个分子描述符对所有样本的shap值的平均值,获得分子描述符的特征重要性排序;
22、(2)通过shap摘要图,分析分子描述符的取值大小对样本预测结果的影响规律;
23、(3)计算分子描述符间的shap交互效应值,揭示分子描述符间的协同或拮抗作用;
24、(4)非线性边际效应分析:采用累积局部效应图,分析分子描述符对样本预测结果的非线性影响及阈值效应。
25、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,可解释性分析包括基于shap值或相关性进行原子级贡献分析;其中,基于shap值的分析包括:
26、应用shap方法,计算每个分子描述符对样本预测结果的边际贡献shap值;对于每个再生剂样本,将多个分子描述符的shap值之和作为总shap值;
27、将再生剂样本的分子中的每个原子视为一个分析单元,计算每个原子的局部描述符,包括原子电荷、福井函数、局部亲电指数中的至少一个;
28、基于原子局部描述符,将总shap值反向分解到每个原子上,获取每个原子对应的原子shap值;基于原子shap值分析每个原子对模型预测结果的正向或反向贡献以及贡献度;
29、基于相关性的分析包括:
30、将再生剂样本的分子中的每个原子视为一个分析单元,计算每个原子的局部描述符,包括原子电荷、福井函数、局部亲电指数中的至少一个;
31、计算每个原子的局部描述符与样本对应的性能预测结果之间的相关性,获取每个原子对应的相关系数;基于原子对应的相关系数分析每个原子对模型预测结果的正向或反向贡献以及贡献度。
32、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,在线优化设计阶段中根据工程应用场景对性能预测模型预测的关键指标进行权重配置,进而通过关键指标加权和确定优化目标;
33、其中,工程应用场景为预设等级以上公路时,关键指标的权重大小排序如下:homo-lumo能隙>相容性>粘度、表面张力、活化能;工程应用场景为小于预设等级的道路时,关键指标的权重大小排序如下:相容性>粘度、表面张力、活化能>homo-lumo能隙。
34、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,在线优化阶段具体通过多目标优化算法或者深度生成模型进行;其中,多目标优化算法操作具体如下:
35、基于性能预测模型预测的关键性能确定适应度评价函数;利用多目标优化算法优化获取满足性能要求的再生剂分子;其中多目标优化算法迭代过程中的变异手段包括基于原子级贡献分析结果针对性进行变异更新,具体地:
36、保留正向贡献原子基团并对正向贡献原子基团进行变异操作,变异操作包括原子替换、官能团接枝、碳链增减、环结构修饰中的至少一种;
37、和/或,对反向贡献原子基团设置变异剔除倾向;
38、通过深度生成模型进行优化具体如下:
39、基于变分自编码器或生成对抗网络,生成候选再生剂分子,并利用性能预测模型对候选再生剂分子依据预设的优化目标进行筛选。
40、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,在线优化设计阶段还包括优化设计过程中引入可解释性先验约束,包括以下约束中的至少一种:
41、分子分子量区间约束、可合成性约束、化学有效性约束、化合价校验约束、分子骨架稳定性约束、生物基原料占比约束。
42、根据本发明提供的基于可解释机器学习的再生剂分子逆向设计方法,还包括以下操作中的至少一种:
43、对优化设计获取的优选再生剂分子进行特征重计算,获取对应的多个分子描述符,并基于性能预测模型的关键性能预测过程,获取优选再生剂分子对应的规律性分析结果,以进行可解释回溯校验,解析性能来源以及是否存在优化空间;
44、对优化设计获取的优选再生剂分子进行实验验证,以验证实际性能;
45、对优化设计过程中的不达标分子,基于可解释性分析获得的规律性分析结果,定向修改以优化分子结构;
46、对优化设计获取的优选再生剂分子进行评估并以3档候选子集进行输出:若为全新骨架,性能满足预设要求且适合实验室合成,以最优创新分子输出;若为现有分子官能团修饰获取,以次优改性分子输出;若为现有再生剂数据库内筛选分子,以商用分子输出。
47、按照本发明的另一个方面,提供了一种基于可解释机器学习的再生剂分子逆向设计系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述基于可解释机器学习的再生剂分子逆向设计方法的步骤。
48、总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于可解释机器学习的再生剂分子逆向设计方法及系统:
49、1.高效率与低成本:通过自动机器学习性能预测模型实现秒级分子性能预测,相较于耗时数天至数周的dft计算,研发周期缩短90%以上;利用模型实现性能筛选,可降低对人员经验的依赖;另外,通过对模型预测过程各分子描述符贡献度的分析,获取了可解释的规律性分析结果,将该规律性分析结果用于分子优化设计,有利于针对性进行设计,从而提高设计效率以及通过可解释性结论实现更优的分子设计,对模型在理性分子设计中的深度应用实现了扩展;适用于老化沥青用再生剂的快速筛选、性能预测及分子结构的高效优化;
50、2.生成式ai的样本增强技术有效缓解了小样本学习难题,降低了对昂贵实验数据的依赖。本发明构建的性能预测模型例如xgboost分类模型auc(area under the curve)可达0.97以上,homo-lumo能隙预测平均误差低于2.5%,实现了对分子反应性的精准定量预测,具有较高精度与高可靠性;
51、3. 卓越的可解释性:首次将shap、ale与创新的原子热图技术系统整合应用于再生剂领域。不仅明确了哪些分子描述符重要,更揭示了其如何重要(正向/负向、线性/非线性、阈值效应),并将解释粒度提升至原子级别。研究人员可直接通过原子热图判断出羧基、羟基为反应性促进基团,而长链烷基为抑制基团,为理性分子设计提供了直观、可靠的化学依据;
52、4.强大的逆向设计能力:将预测模型与可解释性反馈深度融合,形成了“预测-解释-设计-验证”的闭环迭代系统。设计人员可以有针对性地引入促进基团、剔除抑制片段,从而高效地创制出性能超越现有分子的新型再生剂;
53、5.本发明通过构建融合多尺度分子描述符与生成式人工智能的分子数据库,利用自动化机器学习建立高精度、高可解释性的定量构效关系模型,并结合原子级贡献度可视化技术,实现从目标性能出发逆向推导最优分子结构,最终为高性能沥青再生剂的快速筛选与精准设计提供一套完整、高效、透明的技术方案。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com