通过可解释神经网络揭示纳米晶体合成的尺寸决定机制

arXiv cs.LG 论文
nanocrystal-synthesis interpretable-neural-networks deep-learning white-box-model chemical-mechanisms machine-learning

摘要

本文介绍了NanoEQL，一种全白盒神经网络，通过可解释的方程和标量解码纳米晶体合成中的尺寸决定机制，推进了合理设计和化学反应分析。

arXiv:2608.14734v1 Announce Type: new 摘要：纳米晶体合成的深度学习模型通过编码前驱体和反应条件，能够预测尺寸和形状。然而，它们的黑箱性质阻碍了对其底层合成机制的深入洞察。在此，我们开发了纳米晶体方程学习器（NanoEQL），一种全白盒神经网络，以揭示纳米晶体合成的尺寸决定机制。基于EQL架构，引入了八个运算符来替代标准激活函数，以拟合纳米晶体合成中的数学方程。在这些运算符中，三个平滑运算符解决了奇异运算符在零点的梯度爆炸问题。为评估不同前驱体的权重，我们开发了一种温度门控注意力池化策略，将浓度驱动和反应性驱动的化学合成机制编码到温度门中。NanoEQL模型表明，最终纳米晶体尺寸可以由一个线性方程描述，该方程由三个标量组成，分别代表纳米晶化能力（-Zp）、生长能力（Zrea）和外部输入潜力（-Zops）。这些可解释的标量不仅推进了纳米晶体合成的合理设计，还通过白盒机器学习建立了一个通用范式来解读化学反应机制。
查看原文
查看缓存全文

缓存时间: 2026/08/18 10:26 

# 通过可解释神经网络解析纳米晶合成尺寸决定机制
来源：https://arxiv.org/abs/2608.14734
查看PDF（https://arxiv.org/pdf/2608.14734）

> 摘要：纳米晶合成的深度学习模型通过编码前驱体和反应条件实现尺寸与形貌预测，但其黑箱特性阻碍了对底层合成机制的深入理解。本研究开发了纳米晶方程学习器（NanoEQL）——一种完全白箱的神经网络架构，用于揭示纳米晶合成的尺寸决定机制。该架构基于EQL框架引入八个算子替代标准激活函数，以拟合纳米晶合成中的数学方程。其中三个平滑算子有效解决了奇异算子在零点处的梯度爆炸问题。为评估不同前驱体的权重贡献，我们提出温度门控注意力池化策略，将浓度驱动与反应性驱动的化学合成机制编码至温度门控中。NanoEQL模型表明，最终纳米晶尺寸可由三个标量参数构成的线性方程描述：分别代表纳米结晶能力（-Zp）、生长能力（Zrea）和外部输入势（-Zops）。这些可解释标量不仅推动了纳米晶合成的理性设计，更建立了通过白箱机器学习解析化学反应机制的通用范式。

## 投稿历史
来自：顾凯 [查看邮件（https://arxiv.org/show-email/6a56c433/2608.14734）] **[v1]** 2026年8月13日 星期四 07:43:27 UTC（1,647 KB）

相似文章

通过稀疏电路理解神经网络

OpenAI Blog

OpenAI 研究人员提出了一种训练稀疏神经网络的方法,通过强制大部分权重为零使其更易于解释,从而发现能够解释模型行为的小型解耦电路,同时保持性能。这项工作旨在推进机制可解释性,作为对稠密网络事后分析的补充,并支持 AI 安全目标。

超越药物发现：纳米技术分子优化（NMO）基准

Hugging Face Daily Papers

纳米技术分子优化（NMO）基准引入了基于物理的分子设计任务，取代了以药物发现为中心的指标，旨在推动纳米技术领域的科学发现。论文显示，先进方法在NMO上的表现不如更简单的方法，并提出了新的基准方法，包括一种新颖的表示方法和领域无关的预训练。