基于神经网络预测材料对有机物的吸附案例

      简介：本案例是对Kai Zhang等人Predicting Aqueous Adsorption of Organic Compounds onto Biochars, Carbon Nanotubes, Granular Activated Carbons, and Resins with Machine Learning一文的整理和分析，引用信息为Environ. Sci. Technol. 2020, 54, 7008−7018。预测模型对于液相吸附领域的研究有重要价值。但是，以往研究常使用的多重线性回归等方法，只能对特定吸附模型下、特定浓度时的吸附过程进行预测。在本研究中，在训练模型之前使用了余弦相似度来筛选和预测目标比较相关的数据，从而大大提升了预测的准确度。接下来，使用了基于神经网络来学习成组的材料-污染物体系在不同平衡浓度下的吸附情况。最终得到的模型通过加入材料比表面积和孔隙度这两个参数，能够在不预设吸附模型的情况下，预测大量体系在各种平衡浓度下的吸附量。本模型预测的均方差为0.23-0.31，而之前研究发表的模型的均方差为0.23-0.97。最后，用Shapley值对模型进行分析，发现之前模型未将材料性质加入拟合可能是它们误差较高的原因。