HANNA: 用于一致活动系数预测的硬约束神经网络
内容提要
本文介绍了多种基于深度学习的模型，如Gibbs-Duhem-informed神经网络、超图神经网络DisenHCN和SMILES-to-Properties-Transformer，这些模型在预测化学性质和人类活动识别方面的准确性和性能均优于传统方法，展示了深度学习在科学研究中的应用潜力。
延伸解读
热力学一致性：机器学习模型的关键约束
文章指出，Gibbs-Duhem-informed神经网络通过结合矩阵完成方法，在保持机器学习灵活性的同时，提升了模型的热力学一致性和泛化能力。这意味着在预测二元活性系数时，模型不仅依赖数据拟合，还遵循热力学基本关系，从而在未知混合物上表现更稳健。对于化学工程应用，这种一致性有助于避免违反物理规律的预测，提高过程模拟的可靠性。
超图神经网络在活动识别中的优势
DisenHCN模型通过聚合不同方面的特征，捕获高阶关系并解开各特征对预测的影响，在四个真实数据集上优于现有方法14.23%到18.10%。这表明，在人类活动识别中，考虑特征间的高阶交互和 disentanglement 能显著提升性能。对于实际部署，这种模型可能更适合处理复杂场景下的多传感器数据，但需注意其计算复杂度可能较高。
Transformer在化学性质预测中的精度突破
SMILES-to-Properties-Transformer（SPT）利用从COSMO-RS采样的合成数据训练并微调实验数据，在预测限制性活度系数时精度超过COSMO-RS、UNIFAC等传统模型和近期机器学习方法。这展示了自然语言处理网络在化学信息学中的潜力，尤其是当实验数据有限时，合成数据预训练能有效提升模型泛化能力。不过，其性能依赖于合成数据的质量和覆盖范围。
轻量级模型在活动识别中的效率与性能平衡
HARMamba模型通过独立学习每个通道的传感器数据并分割成“补丁”，利用双向状态空间模型进行分类，在减少计算和内存开销的同时，在PAMAP2、WISDM等四个公共数据集上实现了优于Transformer模型的性能。这对于资源受限的可穿戴设备应用具有重要意义，表明状态空间模型可能成为活动识别中兼顾效率与准确性的新选择。
Q&A
Gibbs-Duhem-informed神经网络的主要优势是什么？
该网络结合矩阵完成方法，提升了模型的热力学一致性和泛化能力。
DisenHCN超图神经网络模型如何提高活动预测的准确性？
通过聚合不同特征，捕获高阶关系，优于现有解决方案14.23%到18.10%。
SMILES-to-Properties-Transformer网络的应用是什么？
该网络用于准确预测限制性活度系数，精度高于COSMO-RS和UNIFAC等模型。
HAR-GCCN方法的创新点是什么？
利用传感器测量的时间相邻性，分类准确性比现有基线方法高约25%到68%。
HIP-NN神经网络模型的特点是什么？
该模型精准预测131k个有机分子的能量，分层结构有助于识别模型不确定性。
特征融合在深度学习模型中的重要性是什么？
特征融合对改善人类活动识别系统的准确性和稳健性具有重要意义。
