Optimización del rendimiento de aprendizaje del modelo en un conjunto de datos de rendimiento de reacción de cola...

Área de la Ciencia:

• Química orgánica
• Aprendizaje automático
• Química computacional

Sus antecedentes:

• El desarrollo del aprendizaje automático (ML) en la síntesis orgánica se ve obstaculizado por la disponibilidad limitada de datos.
• Los conjuntos de datos existentes basados en la literatura a menudo sufren una distribución escasa y un sesgo de alto rendimiento, lo que restringe el rendimiento del modelo ML.
• El conjunto de datos HeckLit, que comprende 10.002 casos de la reacción de Heck, ofrece un amplio espacio químico para aplicaciones de ML.

Objetivo del estudio:

• Establecer un conjunto de datos completo y compatible con ML para los rendimientos de las reacciones de Heck a partir de la literatura.
• Abordar los desafíos de la escasez de datos y la preferencia de alto rendimiento en conjuntos de datos derivados de la literatura.
• Mejorar la precisión predictiva de los modelos ML para las reacciones de síntesis orgánica.

Principales métodos:

• Desarrollo del conjunto de datos HeckLit, una colección extraída de la literatura de 10.002 casos de rendimiento de reacción de Heck.
• Aplicación del suavizado de la distribución de características (FDS) para abordar la escasez de datos.
• Implementación de una estrategia de formación por división de subconjuntos (SSTS) para optimizar el aprendizaje del modelo.
• Evaluación del rendimiento del modelo utilizando la métrica R2 al cuadrado.

Principales resultados:

• El conjunto de datos HeckLit cubre un espacio químico extenso, significativamente más grande que los conjuntos de datos de experimentación de alto rendimiento.
• El rendimiento inicial del modelo ML en HeckLit arrojó R2 = 0.318, lo que indica una capacidad de aprendizaje limitada.
• El suavizado de distribución de características (FDS) no mejoró el rendimiento del modelo.
• La estrategia de entrenamiento de división de subconjuntos (SSTS) aumentó significativamente el rendimiento del modelo, logrando R2 = 0,380.

Conclusiones:

• El conjunto de datos HeckLit proporciona un recurso valioso para el avance de ML en la síntesis orgánica.
• La estrategia de entrenamiento de división de subconjuntos (SSTS) es un método eficaz para mejorar el rendimiento del modelo de aprendizaje automático en conjuntos de datos escasos derivados de la literatura.
• El estudio propone un criterio para la división de subconjuntos, ofreciendo un nuevo enfoque para el aprendizaje a partir de datos químicos a gran escala.