开发用于催化剂优化的计算机引导工作流程. 描述器验证,子集选择和训练集分析
Jeremy J Henle1, Andrew F Zahrt1, Brennan T Rose1
1Roger Adams Laboratory, Department of Chemistry, University of Illinois, Urbana, Illinois 61801, United States.
Journal of the American Chemical Society
|June 23, 2020
概括
这项研究引入了一种统计方法,以简化反选择性催化剂的开发,超越传统的经验主义. 这种信息工作流可以提高催化剂优化和预测建模的准确性.
科学领域:
- 催化剂
- 计算化学
- 化学信息学
背景情况:
- 选催化剂的开发传统上依赖于经验方法,这些方法受到人类专业知识的限制.
- 需要更系统和数据驱动的催化剂优化方法.
研究的目的:
- 通过使用统计方法来介绍催化剂优化的补充方法.
- 开发和验证信息工作流程以简化催化剂开发.
主要方法:
- 使用统计方法进行催化剂优化.
- 在案例研究中验证的依赖形状的分子描述符.
- 使用各种方法研究预测模型的数据要求.
- 从算法选择和商业可用的训练集中比较模型.
- 使用无监督学习来增强有限的数据集.
主要成果:
- 确定依赖于形状的分子表示是关键的.
- 确定准确预测模型所需的数据量.
- 通过数据增强技术证明了模型的准确性.
结论:
- 统计方法为实证催化剂开发提供了一种强大而互补的方法.
- 开发的信息工作流提高了催化剂优化的效率和准确性.
- 数据增强和谨慎的描述符选择是强大的预测模型的关键.


