Mejora de la predicción del coeficiente de difusión mediante el aprendizaje activo

Área de la Ciencia:

• Química Física
• Química computacional
• Ingeniería Química

Sus antecedentes:

• La predicción de los coeficientes de difusión en las mezclas es crucial pero experimentalmente difícil debido a la escasez de datos.
• Los modelos de aprendizaje automático (ML) ofrecen potencial, pero requieren datos de capacitación extensos, cuya adquisición es costosa.
• Las estrategias de aprendizaje activo (AL) pueden optimizar el diseño experimental para la adquisición de datos específicos.

Objetivo del estudio:

• Investigar las estrategias de AL para la planificación de las mediciones del coeficiente de difusión.
• Mejorar la predicción basada en ML de los coeficientes de difusión a dilución infinita (D_ij^∞).
• Evaluar el impacto de los datos guiados por AL en los métodos de cumplimiento de matrices (MCM).

Principales métodos:

• Pruebas sistemáticas de las estrategias de AL sobre datos sintéticos para D_ij^∞.
• Utilizando el muestreo de incertidumbre como una estrategia de AL eficaz.
• Realización de la espectroscopia de resonancia magnética nuclear con gradiente de campo pulsado (PFG) para nuevas mediciones de D_ij^∞.
• Reentrenamiento de los MCM híbridos con datos experimentales recién adquiridos.

Principales resultados:

• El muestreo de incertidumbre ha demostrado ser eficaz para la planificación de las mediciones.
• Se midieron diecinueve nuevos puntos de datos D_ij^∞ para mezclas no caracterizadas anteriormente.
• Los MCM híbridos que incorporan modelos semiempíricos (SEGWE) mostraron mejoras sustanciales en la precisión.
• El error cuadrado medio relativo en el conjunto de ensayos se redujo casi a la mitad para un MCM.

Conclusiones:

• Las estrategias de AL permiten mejoras significativas en las predicciones de ML de los coeficientes de difusión con experimentos mínimos.
• La eficacia de la AL depende del modelo específico de ML y de su integración con la información previa.
• El diseño experimental dirigido es clave para maximizar el valor de ML en la predicción de propiedades físicas.