データ拡張型機械学習による水処理設計の改善：反応性ラジカルによるPPCPs反応の精密予測

科学分野:

• 環境化学
• 計算化学
• 化学工学

背景:

• ラジカル媒介先進酸化/還元プロセス（AOPs/ARPs）は、廃水中の汚染物質の分解に効果的です。
• AOPs/ARPsの最適化には、正確な速度論的予測とメカニズムの理解が不可欠です。
• 機械学習（ML）モデルは、データセットが小さいと性能が悪く、解釈が困難になることがよくあります。

研究 の 目的:

• ラジカル媒介プロセスにおけるMLのデータ制限を克服するために、変分オートエンコーダー（VAE）を用いた新しいデータ拡張フレームワークを開発すること。
• 廃水処理におけるMLモデルの予測精度とメカニズム解釈性を向上させること。
• ラジカル-汚染物質反応速度論を支配する重要な分子記述子を特定すること。

主な方法:

• データ拡張のために変分オートエンコーダー（VAE）戦略を採用しました。
• VAE-人工ニューラルネットワーク（VAE-ANN）モデルを開発・最適化しました。
• このフレームワークは、二酸化炭素ラジカル（CO2•−）ベースの還元プロセスを使用してテストされ、ヒドロキシルラジカルベースのAOPsに拡張されました。
• HOMO-LUMOギャップ（E_GAP）、分子硬度（S）、分子静電ポテンシャル（ESP_pos per）の表面積などの重要な分子記述子を分析しました。

主要な成果:

• VAE生成合成データは、特に非線形モデルにおいてMLモデルの性能を大幅に向上させ、テストセットのR²を0.15〜0.29向上させました。
• 最適化されたVAE-ANNモデルは、高い予測精度（トレーニングでR²=0.99、テストでR²=0.88）を達成しました。
• HOMO-LUMOギャップ、分子硬度、正の静電ポテンシャル表面積が、反応速度論に影響を与える重要な要因として特定されました。
• VAE-MLフレームワークは、ヒドロキシルラジカルベースのAOPsで良好に機能し、優れた一般化能力を示しました。

結論:

• 開発されたVAEベースのデータ拡張フレームワークは、環境応用におけるMLの小サンプル制限を効果的にアドレスします。
• この研究は、ラジカル媒介廃水処理プロセスの最適化のための貴重な分子レベルの洞察を提供します。
• このアプローチは、化学速度論および環境科学におけるMLモデルの性能と解釈性を向上させるための一般化可能な戦略を提供します。