高效准确的机器学习模型是高通量筛选优质含能分子的基础,为此设计了完全通过结构式便可输出多项含能材料性质的多输入多输出机器学习模型(MIMO-ML)。基于478个含能分子数据集进行模型构建,通过筛选得到AMID_h、ATTS1are、OB三个优秀描...高效准确的机器学习模型是高通量筛选优质含能分子的基础,为此设计了完全通过结构式便可输出多项含能材料性质的多输入多输出机器学习模型(MIMO-ML)。基于478个含能分子数据集进行模型构建,通过筛选得到AMID_h、ATTS1are、OB三个优秀描述符,并在此基础上建立了自定义描述符集。结果表明,随机森林(RF)及多层感知机(MLP)适合被应用于含能材料性能预测多输出模型构建,输出性质包括爆速D(MAE=256 m/s),热分解温度T_(d)(MAE=34.7℃),撞击感度ln H 50(MAE=0.63)。同时,MLP模型相比于RF模型对于特征数量更敏感,且利用更少的特征可得到与RF精度相似的模型,表明MIMO-ML模型能够快速且准确地识别高性能含能材料,可应用于含能分子的设计与快速筛选。展开更多
文摘高效准确的机器学习模型是高通量筛选优质含能分子的基础,为此设计了完全通过结构式便可输出多项含能材料性质的多输入多输出机器学习模型(MIMO-ML)。基于478个含能分子数据集进行模型构建,通过筛选得到AMID_h、ATTS1are、OB三个优秀描述符,并在此基础上建立了自定义描述符集。结果表明,随机森林(RF)及多层感知机(MLP)适合被应用于含能材料性能预测多输出模型构建,输出性质包括爆速D(MAE=256 m/s),热分解温度T_(d)(MAE=34.7℃),撞击感度ln H 50(MAE=0.63)。同时,MLP模型相比于RF模型对于特征数量更敏感,且利用更少的特征可得到与RF精度相似的模型,表明MIMO-ML模型能够快速且准确地识别高性能含能材料,可应用于含能分子的设计与快速筛选。
