Optimización del rendimiento de aprendizaje del modelo en un conjunto de datos de rendimiento de reacción de cola desafiante | JoVE Visualize

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.