佐治亚理工陈勇生ES&T: 基于机器学习-贝叶斯优化革新膜设计

聚合物膜设计是一个多维过程，涉及从无限的候选空间中选择膜材料和优化制造条件，而通过反复试验来探索整个空间是不可能的。机器学习（ML）算法可以管理复杂的多维数据集，具有强大的拟合能力，在膜科学界越来越受到关注。

在此，美国佐治亚理工学院陈勇生教授等人提出了一种膜设计策略，利用基于机器学习的贝叶斯优化来从无限空间中精确识别未探索单体的最佳组合及其制造条件。作者构建了两个数据集：透水性（A）和脱盐率（R），A数据集有567个数据点，R数据集有1524个数据点。

接下来，作者使用了两种基于树的ML算法作为候选：（1）XGBoost和（2）CatBoost，它们都能够处理缺失值。根据从ML模型解释中选择的原子组构建参考摩根指纹，从而快速筛选未开发的材料。

此后，对成熟的ML模型进行贝叶斯优化来反向识别单体/制造条件组合的集合，这些组合有可能打破水/盐选择性和渗透性的上限。作者在确定的组合下制造了8种膜，发现它们超过了目前的上限。因此，基于ML的贝叶斯优化代表了下一代分离膜设计的范式转变。

图1. 实验结果与预测值的相关性

在这项工作中，作者主要关注平板膜。因此，开发的模型不能直接应用于中空纤维膜。然而，由于ML模型的预测性能在很大程度上取决于数据集的可用性、准确性和大小，随着与这些应用相关的更多研究的发表，本文中展示的策略可以很容易地扩展以开发适当的模型，并为这些新兴应用设计不同类型的膜提供指导。

此外，分子动力学（MD）已广泛用于在原子水平上探索膜结构内溶质传输的研究。构建膜配置和基于MD的模拟可以增强目前有限的膜性能数据可用性，通过协同MD-ML方法阐明水和溶质通过分离膜运输的潜在分子机制仍然是未来研究的一个开放挑战。

图2. 从贝叶斯优化中识别最优组合

Revolutionizing Membrane Design Using Machine Learning-Bayesian Optimization, Environmental Science & Technology 2021. DOI: 10.1021/acs.est.1c04373

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/3986dd07e6/

佐治亚理工陈勇生ES&T: 基于机器学习-贝叶斯优化革新膜设计

相关推荐