Potenciar las predicciones de reactividad a través del aumento de datos basados en ruido

Área de la Ciencia:

• Química computacional
• Aprendizaje automático en química

Sus antecedentes:

• La escasez de datos es un desafío importante para la Inteligencia Artificial (IA) en la ciencia molecular.
• El aumento de datos es una técnica común en otros campos, pero su aplicabilidad a la reactividad molecular es desconocida.

Objetivo del estudio:

• Evaluar la eficacia del aumento de datos para la predicción de la reactividad molecular.
• Determinar si el aumento de datos puede mejorar el rendimiento del modelo de IA en escenarios de bajos datos para reacciones químicas.

Principales métodos:

• Evaluación sistemática del aumento de datos en diversos problemas de reactividad.
• Aplicación del ruido gaussiano a los puntos de datos existentes para el aumento de datos.
• Entrenamiento de modelos de IA con conjuntos de datos aumentados y originales.

Principales resultados:

• El aumento de datos mejora significativamente el rendimiento predictivo de la reactividad molecular.
• Los modelos entrenados con datos aumentados logran una precisión comparable a los modelos entrenados con conjuntos de datos completos.
• El aumento de datos permite un entrenamiento de modelo significativo en regímenes de datos bajos.

Conclusiones:

• El aumento de datos es una estrategia poderosa para superar la escasez de datos en la IA para la reactividad molecular.
• Este enfoque reduce la necesidad de extensos datos experimentales, ahorrando tiempo y recursos.
• El aumento de datos acelera la integración del aprendizaje automático en la investigación química.