Las incrustaciones de palabras como predictores autónomos en el diseño de materiales: el efecto de la variabilidad...

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• Química computacional es la química computacional.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• Las incrustaciones de palabras de la literatura científica pueden codificar información fisicoquímica.
• La variabilidad en las incorporaciones debido a la heterogeneidad de los datos puede afectar su utilidad.
• Las incrustaciones atómicas son cruciales para representar compuestos químicos.

Objetivo del estudio:

• Para analizar la variabilidad en las incorporaciones de palabras atómicas.
• Para determinar si esta variabilidad afecta la información codificada o la transferencia de información.
• Evaluar el impacto de la variabilidad de incrustación atómica en modelos de aprendizaje automático para el diseño de materiales.

Principales métodos:

• Derivado de la palabra incrustaciones para los átomos de la literatura científica.
• Variabilidad cuantificada en las incorporaciones atómicas individuales basadas en datos de entrenamiento.
• Implementó incorporaciones atómicas unidas en un modelo de regresión para predecir la energía de formación de compuestos.
• Reducción dimensional aplicada para la calibración de vectores compuestos.

Principales resultados:

• Se observó una variabilidad sustancial en las incorporaciones atómicas individuales, dependiendo de la selección del vocabulario.
• La variabilidad no obstaculizó la predicción de las propiedades fisicoquímicas utilizando incrustaciones atómicas unidas.
• El rendimiento predictivo para la estabilidad del compuesto se mantuvo estable después de la calibración.
• La información codificada en las incrustaciones y el rendimiento del modelo fueron robustos a la variabilidad.

Conclusiones:

• La variabilidad en las incrustaciones atómicas no obstruye su uso como predictores en el diseño de materiales.
• Las incrustaciones atómicas unidas proporcionan una fuente estable de conocimiento físico-químico para el aprendizaje automático.
• El enfoque permite una predicción confiable de las propiedades de los materiales, como la estabilidad de los compuestos.