[論文レビュー] Machine Learning interpretation of the correlation between infrared emission features of interstellar polycyclic aromatic hydrocarbons

Zhisen Meng, Xiaosi Zhu+3 more|arXiv (Cornell University)|Oct 7, 2021

Chemical Thermodynamics and Molecular Structure参考文献 40被引用数 9

ひとこと要約

本研究では、分子記述子を用いた教師あり機械学習、特にランダムフォレストモデルを用いて、宇宙空間に存在する多環芳香族炭化水素（PAH）の赤外線発光帯間の相関を解釈している。特徴量の重要度配列の分析により、相関する帯を引き起こす共通の分子断片を同定し、類似度指標を用いて帯の相関を定量化することで、面外揺れ領域（例：11–15 µm）における発光特徴の物理的関連性を明らかにした。

ABSTRACT

Supervised machine learning models are trained with various molecular descriptors to predict infrared emission spectra of interstellar polycyclic aromatic hydrocarbons. We demonstrate that a feature importance analysis based on the random forest algorithm can be utilized to explore the physical correlation between emission features. Astronomical correlations between infrared bands are analyzed as examples of demonstration by finding the common molecular fragments responsible for different bands, which improves the current understanding of the long-observed correlations. We propose a way to quantify the band correlation by measuring the similarity of the feature importance arrays of different bands, via which a correlation map is obtained for emissions in the out-of-plane bending region. Moreover, a comparison between the predictions using different combinations of descriptors underscores the strong prediction power of the extended-connectivity molecular fingerprint, and shows that the combinations of multiple descriptors of other types in general lead to improved predictivity.

研究の動機と目的

• 長年にわたり観測されているPAHの宇宙空間赤外線発光帯間の相関を、機械学習を用いて解釈すること。
• 訓練済みモデルにおける特徴量の重要度を分析することで、特定の発光帯を引き起こす分子断片を同定すること。
• 特徴量の重要度配列の類似度測定を用いて帯の相関を定量化すること。
• PAH赤外線スペクトルをモデル化する際の、さまざまな分子記述子の予測性能を評価すること。
• 計算的に高コストなDFT計算に依存せずに、天文学的帯の相関の物理的起源をより良く理解すること。

提案手法

• 6種類の分子記述子（ECFP, DMEs, CMEs, NHAC, ZPVE, H結合数）を用いて、PAH赤外線発光スペクトルのランダムフォレストおよびXGBoostモデルを訓練した。
• ランダムフォレストからの特徴量の重要度分析を用いて、特定の発光帯を決定づける最も影響力のある分子断片を同定した。
• 発光帯間の相関を、それらの特徴量の重要度ベクトル間のコサイン類似度を計算することで定量化した。
• 記述子の組み合わせごとのモデル性能を比較し、予測力と物理的妥当性を評価した。
• 既知の天文学的相関（例：3.3 µmと11.2 µm、6.2 µmと7.7 µm）を用いて結果を検証し、11–15 µm領域における相関をマップ化した。
• オープンソースの化学情報学ツール（RDKit）とscikit-learnを用いて記述子の生成およびモデル訓練を実施した。

実験結果

リサーチクエスチョン

• RQ1 宇宙空間に存在するPAHの相関する赤外線発光帯を引き起こす分子断片は何か？
• RQ2 機械学習モデルは、分光法だけでは明らかでないPAH発光帯間の物理的相関をどのように解き明かせるか？
• RQ3 どの分子記述子がPAH赤外線スペクトルの最も正確で物理的に意味のある予測を提供するか？
• RQ4 特徴量の重要度配列の類似度は、帯の相関を定量的指標として用いることができるか？
• RQ5 さまざまな分子記述子の組み合わせは、PAH赤外線スペクトルの機械学習モデルの予測性能にどのように影響するか？

主な発見

• 拡張接続フィンガープリント（ECFP）とH隣接クラス数（NHAC）が、PAH赤外線スペクトルの予測性能において最も優れていた。
• 特徴量の重要度分析により、特定の端部構造とH原子配列を持つ共通の分子断片が、相関する発光帯の背後にあることが判明した。
• 特徴量の重要度ベクトル間のコサイン類似度が、帯の相関を効果的に定量化でき、11–15 µmの面外揺れ領域における相関マップを生成した。
• 複数の記述子の組み合わせ（例：ECFP + NHAC）は、単一の記述子よりも一貫してモデルの予測能を向上させた。
• 本手法により、3.3 µm帯と11.2 µm帯が類似した分子断片に関連していることが同定され、観測された天文学的相関を裏付けた。
• 本アプローチは、DFT計算を必要とせず、宇宙空間PAHの分子構造とスペクトルの関係をスケーラブルに研究する代替手法を提供する。