関連する実験動画
Updated: Feb 12, 2026

Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
異質な触媒における機械学習のための特徴工学の方法
Yu Jin1, Hang-Biao Lv1, Shisheng Zheng1
1College of Energy, State Key Laboratory of Physical Chemistry of Solid Surfaces, iChEM, College of Chemistry and Chemical Engineering, Institute of Artificial Intelligence, Xiamen University, Xiamen 361005, Fujian, China. zhengss@xmu.edu.cn.
特性エンジニアリングは,材料発見のための異質な触媒における機械学習を前進させています. このレビューは,基本的な記述から複雑なマルチモダル表現への進化を詳細に説明し,継続的な課題と将来の方向性を強調しています.
科学分野:
- カタリシス カタリシス カタリシス
- マテリアルサイエンス 材料科学
- コンピューティング・ケミストリー
背景:
- 機械学習 (ML) は,異質な触媒においてますます重要になっています.
- 特性エンジニアリングは,触媒構造をMLモデルとリンクするために不可欠です.
- このレビューでは,この分野における特徴工学の歴史的発展と未来を検証します.
研究 の 目的:
- 異質触媒における特征工学の進化を体系的に検討する.
- 機能エンジニアリングにおける現在の課題と新興戦略を特定する.
- ML主導の触媒研究における将来のイノベーションを導くために.
主な方法:
- 異質触媒における特征工学技術に関する文献のレビュー.
- 特徴の分類:手作りの記述子,シンボリック回帰,グラフベースの,トポロジカル,およびマルチモダル.
- 課題の分析と提案された解決策.
主要な成果:
- 特性エンジニアリングは,単純な記述子から高度なグラフとトポロジカル特性へと進歩しました.
- 最近の進歩には,テキストと構造を統合した多式表現が含まれています.
- 主要な課題は,開発されていないマルチモダルのアプローチ,解釈可能性,クロススケール・ディスクリプタなどです.
結論:
- 特徴工学は,異質な触媒におけるMLの核心であり,材料の発見と機械的洞察を可能にします.
- 現在の課題に取り組むことにより,MLの触媒への影響がさらに強化されます.
- 特徴工学の継続的なイノベーションは,異質な触媒研究を前進させるために不可欠です.
さらに関連する動画
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
関連する概念動画
Catalysis
Introduction to Mechanisms of Enzyme Catalysis
Machines
A free-body diagram of the...
Machines: Problem Solving II
What is Genetic Engineering?
Machines: Problem Solving I
The toggle clamp system is a machine structure consisting of movable, pin-connected multi-force members that form a stabilized system to transmit forces. The...