机器学习辅助的低维有机无机化矿的预测设计模型
Ruiyang Lyu1, Curtis E Moore1, Tianyu Liu1
1Department of Chemistry and Biochemistry, The Ohio State University, Columbus, Ohio 43210, United States.
Journal of the American Chemical Society
|August 6, 2021
概括
研究人员开发了一种机器学习模型来预测低维混合化矿的维度. 这种模型确定了关键的有机阴离子特征,使新的矿结构能够准确地预测.
科学领域:
- 材料科学
- 晶体学
- 计算化学
背景情况:
- 低维有机-无机化矿具有独特的光电子和磁性.
- 由于缺乏定量模型,基于有机阴离子结构来预测这些矿的维度具有挑战性.
研究的目的:
- 开发一种机器学习 (ML) 辅助的方法来预测酸基矿的维度.
- 确定决定矿维度的有机离子的关键结构特征.
主要方法:
- 一项文献审查确定了86种氨基,分为"2D"形成或"非2D"形成.
- 机器学习模型使用氨酸的描述特征进行训练.
- 确定了四个关键的结构特征:固体效应指数,离心率,最大环大小和键供体.
主要成果:
- 一个定量方程是根据氨基特征来预测二维矿形成的概率.
- ML模型准确地预测了未经测试的氨基的维度.
- 通过单晶生长的实验验证证了模型的预测.
结论:
- 这项工作建立了低维混合化结构的预测模型.
- 机器学习是材料科学中了解和预测晶体结构的强大工具.
- 鉴定到的特征提供了对矿形成的结构指导效应的基本见解.
相关概念视频
02:27Predicting Molecular Geometry
37.9K
VSEPR Theory for Determination of Electron Pair Geometries
37.9K
02:27Predicting Products: SN1 vs. SN2
14.4K
Nucleophilic substitution reactions of alkyl halides can proceed via an SN1 or an SN2 mechanism. While in SN2 reactions, the nucleophile attacks the substrate simultaneously as the leaving group departs, in SN1 reactions, the substrate first dissociates to give the carbocation intermediate. Various factors such as the structure of the substrate, the strength of the nucleophile, and the nature of the solvent promote one mechanism over the other.
With increased substitution on the alkyl halide,...
With increased substitution on the alkyl halide,...
14.4K