[論文レビュー] On data and dimension in chemistry -- irreversibility, concealment and emergent conservation laws

Alex Blokhuis, Martijn van Kuppeveld+2 more|arXiv (Cornell University)|Jun 15, 2023

Advanced Thermodynamics and Statistical Mechanics被引用数 5

ひとこと要約

本稿は、共産生則 $\Upsilon = \ell_{\bullet} + \wedge_{\bullet}$ を導入し、同一直線で不可逆な反応が原因で生じる化学反応ネットワーク（CRNs）における非整数保存則の出現を説明する。機械学習で発見された見かけの保存則の謎を解きほぐし、それが本質的保存則ではなく共産生に起因することを示し、隠れた種や識別不能な種の次元則を提供することで、分光的データからCRN構造を同定可能にする。

ABSTRACT

Chemical systems are interpreted through the species they contain and the reactions they may undergo, i.e., their chemical reaction network (CRN). In spite of their central importance to chemistry, the structure of CRNs continues to be challenging to deduce from data. Although there exist structural laws relating species, reactions, conserved quantities and cycles, there has been limited attention to their measurable consequences. One such is the dimension of the chemical data: the number of independent reactions or equivalently independent species, which corresponds to the number of measured variables minus the number of constraints. In this paper we attempt to relate the experimentally observed dimensional features to conservation laws and underlying CRN structure. Our approach extends to any Markov model as well as many nonlinear models in statistical physics and furnishes new analytical tools to find exact solutions. In particular, we investigate the effects of species that are concealed and reactions that are irreversible. For instance, irreversible reactions can have proportional rates. The resulting reduction in degrees of freedom can be captured by the co-production law relating co-production relationships to emergent non-integer conservation laws and broken cycles. This law resolves a recent conundrum posed by a machine-discovered candidate for a non-integer conservation law, and characterizes certain types of CRN behavior. We also obtain laws that allow us to relate data dimension to network structure in cases where some species cannot be discerned or distinguished by a given analytical technique, allowing to narrow down candidate CRNs from experimental data more effectively.

研究の動機と目的

• 最近発見された機械学習で得られたCRNモデルにおける異常な非整数保存則の起源を解明すること。
• 実験的観測データの次元と背後にあるCRN構造との関係を形式化すること、特に不可逆性と隠蔽性が影響する状況を含む。
• 隠れた種や識別不能な種を含む系における次元則を導出し、不完全または間接的な測定からCRNトポロジーを同定可能にする。
• 分光的特徴（例えば等スビスティック点）が局所的保存則やネットワークトポロジーとどのように関係するかを明確化すること。
• CRN再構築を容易にする理論的枠組みを提供し、分子分光学における論理パズルに類似させること。

提案手法

• 共産生則 $\Upsilon = \ell_{\bullet} + \wedge_{\bullet}$ を導出する。ここで $\Upsilon$ は共産生インデックス、$\ell_{\bullet}$ は出現する非整数保存則を表し、$\wedge_{\bullet}$ は同一直線性によるサイクルの破壊度を定量化する。
• ステキオメトリック行列解析を用いて不可逆反応をモデル化し、同一直線の反応ペア（例：$r_4$ と $r_5$）を同定することで自由度を低減する。
• 化学連続培養法および種の隠蔽モデルを用いて次元則を導出し、測定可能な種の喪失が有効データ次元を低下させることを示す。
• ステキオメトリック行列の変換を導入し、同一直線の反応を1つの有効反応に統合し、速度依存の化学计量を有する。
• 左零空間ベクトル $\pmb{\ell}_{\bullet}$ を計算することで共産生則を検証し、数値的に観測された保存則 $CQ_3$ と1%以内の誤差で一致することを確認した。
• 実際の大気中CRNモデルにこの枠組みを適用し、$CQ_3$ が真の保存則ではなく共産生に起因する出現現象であることを確認した。

Figure 1: a-b) CRNs whose conservation laws follow from integer stoichiometry. c) conservation laws. Making reactions $r_{1},r_{2}$ irreversible, an additional non-integer conservation conserved quantity $L^{(3)}$ emerges. d) CRN with an emergent non-integer conserved quantity. For integer stoichiom

実験結果

リサーチクエスチョン

• RQ1 機械学習アルゴリズムによって検出された際、化学反応ネットワーク（CRNs）に非整数保存則が出現する原因は何か？
• RQ2 割合の反応速度を持つ不可逆反応が、化学反応ネットワークの次元および構造的同定にどのように影響するか？
• RQ3 一部の種が隠蔽されたり識別不能な状況下で、不完全または間接的な分光的データからCRNの構造をどの程度同定できるか？
• RQ4 分光的データにおける等スビスティック点は、局所的保存則やネットワークトポロジーとどのように関係するか？
• RQ5 共産生則 $\Upsilon = \ell_{\bullet} + \wedge_{\bullet}$ は、機械学習で発見された保存則の異常を説明・解消できるか？

主な発見

• 共産生則 $\Upsilon = \ell_{\bullet} + \wedge_{\bullet}$ は、異常な保存則 $CQ_3$ の起源をうまく説明し、同一直線で不可逆な反応に起因する出現的非整数保存則であることが示された。これは本質的保存則ではなく、共産生に起因する。
• 左零空間ベクトル $\pmb{\ell}_{\bullet} = (6,-5,1,3,9,6,3,6,4,-3,2.18)$ の数値は、観測された $CQ_3 \approx (6,-5,1,3,9,6,3,6,4,-3,2.21)$ と1%以内で一致し、法則の正確性を裏付けた。
• 大気中CRNモデルにおいて、同一直線の反応 $r_4$ と $r_5$ を速度依存の化学计量（$p = 0.40541$）を持つ1つの有効反応に統合することで、系の自由度が低下し、$\ell_{\bullet} = 1$ の出現が可能になった。
• 本研究により、$CQ_3$ が真の保存則ではなく、共産生に起因する出現現象であることが確認され、最近の機械学習によるCRN解析における謎が解けた。
• 本フレームワークにより、等スビスティック点や分光的不変量を局所的保存則やネットワークトポロジーと結びつけることで、分光的データからCRN構造を再構築可能となった。
• 隠れた種および識別不能な種のための次元則により、実験的データがすべての種を完全に解像しなくても、CRN構造の同定が可能となり、ネットワーク再構築が著しく簡素化された。

Figure 2: (a) Simulated absorption spectra for CRN $\ce{C}\leftrightarrows\ce{A}+\ce{B}\leftrightarrows\ce{D}$ , no isosbestic point ( $d(\Lambda)=2$ ). b) simulated spectra for CRN $\ce{C}\leftarrow\ce{A}+\ce{B}\rightarrow\ce{D}$ , a close-up reveals an isosbestic point ( $d(\Lambda)=1$ ). (c) Unde