Guía de autoestopistas para la capacitación más general Potenciales de aprendizaje automático en catálisis...

Área de la Ciencia:

• Química computacional es la química computacional.
• Ciencia de los materiales Ciencia de los materiales.
• Ingeniería Química Ingeniería Química.

Sus antecedentes:

• Los potenciales de aprendizaje automático (MLP, por sus siglas en inglés) son herramientas avanzadas de simulación para la catálisis heterogénea.
• Los métodos actuales se centran en aplicaciones específicas del sistema, lo que limita la generalización.
• La capacitación de MLPs generales requiere datos diversos y no equilibrados, que presentan desafíos únicos.

Objetivo del estudio:

• Investigar los desafíos y patologías en la formación de MLPs generales utilizando diversos conjuntos de datos.
• Proporcionar recomendaciones prácticas para el desarrollo de MLPs transferibles para catálisis.

Principales métodos:

• Investigación sistemática de patologías de entrenamiento utilizando el método REICO para la generación de datos.
• Análisis de las desviaciones de los protocolos de capacitación MLP estándar específicos del sistema.
• Evaluación de la limpieza de datos, selección de modelos y métricas de error para diversos conjuntos de datos.

Principales resultados:

• Desviaciones y patologías críticas identificadas al entrenar a MLPs en datos diversos y no equilibrados.
• Desafíos demostrados en la disciplina de capacitación estándar y la lógica de evaluación para MLPs generales.
• Destacó la necesidad de enfoques especializados más allá de los flujos de trabajo específicos del sistema.

Conclusiones:

• La capacitación de MLPs generales y transferibles requiere abordar desafíos únicos asociados con diversos datos.
• Las recomendaciones proporcionadas para la limpieza de datos, la selección de modelos y las métricas de error mejoran la robustez de MLP.
• Orientación ofrecida para el desarrollo de MLPs confiables aplicables a una gama más amplia de sistemas catalíticos.