机器学习为异质催化剂数据分析提供了新框架
机器学习 (ML) 改变了异质催化剂的设计，传统上由于组件之间复杂的相互作用，这种设计是通过反复试验来驱动的。BIFOLD 联合主任 Klaus-Robert Müller（柏林工业大学）ML 小组的 BIFOLD 研究员 Parastoo Semnani 以及来自 BASLEARN、BASF SE 等公司的其他研究人员在物理化学杂志C。
机器学习（ML）模型最近在异构领域变得流行催化剂设计。催化剂组分之间相互作用的固有复杂性非常高，导致对催化剂产率的协同和拮抗作用难以消除。因此，性能良好的催化剂的发现长期以来依赖于偶然的试验和错误。
在论文中，研究人员介绍了一种机器学习框架，该框架可以应对实验数据的挑战，并提供对催化剂性能的可靠预测。此外，他们还在框架中融入了可解释的人工智能方法，帮助确定哪些催化成分对高性能催化剂的贡献更大。
生成实验催化剂数据的高成本通常会导致数据集偏向低性能催化剂。
“我们相信我们的框架结合了最佳实践并提供了如何使用和分析实验催化剂数据的概念蓝图，这应该对未来有用机器学习Semnani 总结道：“该领域的研究工作，有助于推动人工智能辅助的 Catalyst 设计向前发展。”
该框架可处理小型、不平衡的数据集，并可靠地预测催化剂性能。通过集成可解释的人工智能，它可以识别提高效率的关键催化剂组件。这种创新方法为未来人工智能驱动的催化剂发现突破提供了蓝图。
更多信息：Parastoo Semnani 等人，专为不平衡实验催化剂发现而定制的机器学习和可解释的人工智能框架，物理化学杂志C（2024）。DOI：10.1021/acs.jpcc.4c05332
提供者：柏林学习与数据基础研究所
引文:机器学习为异质催化剂数据分析提供新框架（2024 年，12 月 19 日）检索日期：2024 年 12 月 19 日来自 https://phys.org/news/2024-12-machine-framework-heterogeneous-catalyst-analysis.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《机器学习为异质催化剂数据分析提供了新框架》的评论
暂无评论