Mejora de la predicción del coeficiente de difusión mediante el aprendizaje activo | JoVE Visualize

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.