LG-Transformer：一种基于学习图谱的Transformer框架，能够预测燃料设计的多种物理化学性质

《Nature Communications》：LG-Transformer: learned-graph transformer framework enabling diverse physicochemical properties prediction toward fuel design

　　

摘要

绿色燃料对于实现交通领域的脱碳至关重要，这需要准确预测燃料的各种物理化学性质，以优化发动机性能和减少排放。尽管基于人工智能的模型在加速燃料设计方面展现出巨大潜力，但大多数现有方法无法以可解释的方式利用燃料分子内部及分子间的信息，从而限制了它们在预测多种性质时的泛化能力。为了解决这些挑战，提出了一种深度学习框架——学习图特征融合Transformer（LG-Transformer）。与传统基于原子-键分子图的图神经网络（GNNs）不同，LG-Transformer采用对比学习方法，在拓扑描述符和性质相似性的引导下构建分子间关系图，通过Transformer层实现基于性质的特征传播，从而用于各种性质预测。为此，开发了一个全面的燃料性质数据库，包含26个化学类别中的1850种不同分子，每种分子都标注了17个与发动机性能相关的关键物理化学性质。实验结果表明，LG-Transformer的预测性能显著优于其他GNN和深度学习模型，平均R2值为0.900。此外，通过集成梯度进行的可解释性分析揭示了分子结构与性质之间的内在关系。