.png){kind=icon}
返回
Transfer learning-enabled density prediction model for energetic molecule screening
.png){kind=icon}
OA
AI
DOI：10.1016/j.enmf.2025.11.010.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用定量构效关系（QSPR）模型识别高晶体密度的候选分子是筛选高能分子的主要任务。然而，由于高密度训练数据的稀缺性，QSPR模型在高密度区域往往精度不足。因此，使用现有QSPR模型筛选新型高能分子存在误选候选分子和遗漏真实分子的风险。我们提出了一种迁移学习方案，用于构建高能分子密度的QSPR模型，该模型在高密度和全密度范围内均表现出高精度。通过参数迁移和分步实例迁移对模型进行训练，并使用由纯高密度和含硝基分子组成的独立测试集评估其精度。研究发现，调整数据集的堆积系数分布比调整晶体密度分布更能有效提升模型的精度和泛化能力。最终目标模型在经过两轮堆积系数分布调整的数据集上进行训练，分别在高密度区域和含硝基分子的全密度范围内实现了0.029 g cm⁻³和0.028 g cm⁻³的MAE值。该目标模型与现有其他重要性质预测方法相结合，应用于新型高能分子的虚拟筛选中，成功识别出16种高爆轰能量且化学稳定性良好的候选分子，其中2种已通过实验验证。
Keyword:
Deep learning
Energetic compounds
Density prediction
Transfer learning
Molecular design
期刊
IF:
3.9
论文数:
230
被引数:
611
机构
引用论文
.png){kind=icon}
Evidence for Superconductivity above 260 K in Lanthanum Superhydride at Megabar Pressures超氢化镧在兆巴压力下超260 K以上的超导性证据
OAAI
OAAI分享收藏分享收藏3,6-Dinitropyrazolo[4,3-c]pyrazole-Based Multipurpose Energetic Materials through Versatile N-Functionalization Strategies3，6-二硝基吡唑并 [4，3-c] 吡唑基多用途含能材料通过通用的N-官能化策略
PREAI
分享收藏
查看更多内容