Los sesgos antropogénicos en los datos de las reacciones químicas dificultan la síntesis inorgánica exploratoria

Área de la Ciencia:

• Ciencias de los materiales
• Química
• Ciencia de los datos

Sus antecedentes:

• Los datos de los experimentos químicos utilizados para el aprendizaje automático a menudo contienen sesgos cognitivos humanos e influencias sociales.
• Estos sesgos pueden codificarse en conjuntos de datos y perpetuarse mediante modelos de aprendizaje automático, lo que afecta las predicciones para las síntesis orgánicas e inorgánicas.

Objetivo del estudio:

• Identificar y abordar los sesgos antropogénicos no reconocidos en los conjuntos de datos de las reacciones químicas, específicamente en las opciones de reactivos y las condiciones de reacción.
• Demostrar el impacto de estos sesgos en el éxito de las reacciones químicas y el rendimiento de los modelos de aprendizaje automático.

Principales métodos:

• Minería de datos de conjuntos de datos de reacciones químicas, incluidos los registros históricos de los cuadernos de laboratorio.
• Realización de 548 experimentos generados aleatoriamente para evaluar la popularidad de los reactivos y las opciones de condiciones de reacción frente a las tasas de éxito.
• Entrenamiento y comparación de modelos de aprendizaje automático en conjuntos de datos de reacción seleccionados por humanos versus aleatorios.

Principales resultados:

• Las opciones de aminas en la síntesis hidrotermal de óxidos metálicos con plantilla de aminas siguen una distribución por ley de potencia, con un pequeño porcentaje de aminas que dominan los compuestos informados.
• El análisis de los datos históricos reveló distribuciones similarmente sesgadas en las elecciones de las condiciones de reacción.
• Los experimentos generados aleatoriamente no mostraron correlación entre la popularidad de los reactivos o las opciones de condición y el éxito de la reacción, lo que ilustra mejor los rangos de parámetros compatibles para la formación de cristales.

Conclusiones:

• Los sesgos antropogénicos afectan significativamente los conjuntos de datos de reacción química y los modelos de aprendizaje automático entrenados en ellos.
• Los enfoques experimentales aleatorizados pueden identificar sesgos y generar conjuntos de datos más representativos.
• Los modelos de aprendizaje automático entrenados en conjuntos de datos aleatorios más pequeños superan a los entrenados en conjuntos de datos seleccionados por humanos más grandes, lo que destaca la importancia de abordar los sesgos de los datos.