El aprendizaje profundo guiado por espectroscopia predice las propiedades del adsorbente de superficie sólido-líquido...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• La adquisición precisa de las propiedades del material es vital para la catálisis y la electroquímica.
• La espectroscopia y el aprendizaje automático ofrecen potencial para la caracterización rápida.
• La distribución desigual de los datos entre los tipos de disolventes dificulta el entrenamiento confiable del modelo de aprendizaje automático.

Objetivo del estudio:

• Desarrollar un método robusto para predecir las propiedades microscópicas de los materiales utilizando datos espectrales.
• Para abordar el desafío de la variabilidad de los datos causada por diversos sistemas de disolventes.
• Permitir una caracterización rápida y precisa de los materiales para la catálisis y la electroquímica.

Principales métodos:

• Utilizó la teoría funcional de la densidad (DFT) para calcular los datos espectrales para la adsorción de CO-Ag en 23 disolventes.
• Propuso una red neuronal multiexperta de extracción de conocimiento jerárquico (HMNN) para el modelado basado en datos.
• Implementó una estrategia de formación de dos niveles: el nivel I para las relaciones espectros-propiedades cuantitativas (QSPR) y el nivel II para la integración de conocimientos específicos de los solventes.

Principales resultados:

• HMNN demostró un rendimiento superior en la predicción de las propiedades del adsorbado molecular.
• Se han logrado errores de predicción inferiores a 0,008 eV para las predicciones de inyección cero en nuevos disolventes.
• Ha cerrado con éxito las brechas de conocimiento entre los diferentes sistemas de disolventes.

Conclusiones:

• HMNN ofrece un enfoque útil, confiable y conveniente para predecir las propiedades de los materiales.
• El método facilita el acceso en tiempo real a las propiedades microscópicas mediante el aprovechamiento de QSPR.
• Este trabajo avanza en la aplicación del aprendizaje automático en la caracterización de materiales para catálisis y electroquímica.