[论文解读] 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 9

一句话总结

本研究利用监督式机器学习，特别是基于分子描述符的随机森林模型，解释星际多环芳烃（PAH）红外发射带之间的相关性。通过分析特征重要性数组，作者识别出导致相关发射带的常见分子片段，并利用相似性度量量化发射带的相关性，揭示了非平面弯曲振动区域（例如11–15 µm）内发射特征之间的物理关联。

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.

研究动机与目标

• 使用机器学习解释长期以来观测到的星际PAH红外发射带之间的相关性。
• 通过分析训练模型中的特征重要性，识别出导致特定发射带的分子片段。
• 通过特征重要性数组的相似性度量，量化发射带之间的相关性。
• 评估不同分子描述符在建模PAH红外光谱方面的预测性能。
• 在不依赖计算成本高昂的DFT计算的前提下，增进对天文物理带相关性起源的理解。

提出的方法

• 使用六种分子描述符（ECFP、DMEs、CMEs、NHAC、ZPVE和H键计数）对PAH红外发射光谱训练随机森林和XGBoost模型。
• 利用随机森林的特征重要性分析，识别出对特定发射带影响最大的分子片段。
• 通过计算其特征重要性向量之间的余弦相似度，量化发射带之间的相关性。
• 比较不同描述符组合的模型性能，以评估其预测能力和物理相关性。
• 通过已知的天文相关性（例如3.3 µm与11.2 µm、6.2 µm与7.7 µm）验证结果，并在11–15 µm区域内绘制相关性图谱。
• 利用开源化学信息学工具（RDKit）和scikit-learn生成描述符并训练模型。

实验结果

研究问题

• RQ1 导致星际PAH中相关红外发射带的分子片段是什么？
• RQ2 机器学习模型如何揭示仅靠光谱学难以察觉的PAH发射带之间的物理相关性？
• RQ3 哪种分子描述符能提供最准确且具有物理意义的PAH红外光谱预测？
• RQ4 特征重要性数组的相似性能否作为带相关性的定量度量？
• RQ5 不同分子描述符组合如何影响机器学习模型对PAH IR光谱的预测性能？

主要发现

• 扩展连接性指纹（ECFP）和H相邻类数量（NHAC）在PAH红外光谱预测中表现出最强的性能。
• 特征重要性分析表明，具有特定边缘结构和H原子排列的常见分子片段是导致相关发射带的根源。
• 特征重要性向量之间的余弦相似度成功量化了发射带的相关性，生成了11–15 µm非平面弯曲振动区域的相关性图谱。
• 多种描述符组合（如ECFP + NHAC）的模型预测性能始终优于单一描述符。
• 该方法表明3.3 µm和11.2 µm发射带与相似的分子片段相关，支持其在天文观测中观察到的相关性。
• 该方法提供了一种可扩展的、无需DFT计算的替代方案，用于研究星际PAH分子结构与光谱之间的关系。