相关实验视频
Updated: Jul 5, 2025
05:00
Rapid Characterization of Genetic Parts with Cell-Free Systems
Published on: August 30, 2021
1.9K
用于利用小数据而设计催化剂的自动特征工程,而无需对目标催化剂的先前了解
Toshiaki Taniike1, Aya Fujiwara2, Sunao Nakanowatari2
1Graduate School of Advanced Science and Technology, Japan Advanced Institute of Science and Technology, 1-1 Asahidai, Nomi, Ishikawa, 923-1292, Japan. taniike@jaist.ac.jp.
Communications chemistry
|January 12, 2024
概括
本研究介绍了自动特征工程 (AFE) 用于具有有限数据的催化剂设计. AFE对许多假设进行选,使得数据驱动的发现能够在没有事先知识的情况下实现.
科学领域:
- 催化剂是一种催化剂.
- 材料 信息学 信息学
- 机器学习 机器学习
背景情况:
- 催化剂信息学中的描述器设计通常需要先前的知识,对有限的数据集构成挑战.
- 开发新的催化剂通常涉及广泛的经验测试和假设生成.
研究的目的:
- 引入适用于小型催化剂数据集的自动特征工程 (AFE) 的新技术.
- 为了使机器学习模型开发用于催化,而不依赖于特定假设或预先存在的知识.
主要方法:
- 通过对催化元件的物理化学性质进行数学运算,AFE产生了众多特征.
- 为特定的催化应用提取相关特征,以计算方式选假设.
- 积极学习与AFE和高通量实验相结合,应用于甲 (OCM) 的氧化合.
主要成果:
- AFE在三个异质催化系统中展示了合理的回归性能:OCM,乙醇转化为布他,以及三向催化.
- 这种技术证明有效,即使只有培训数据集被交换.
- 积极学习在OCM的催化剂设计中成功地可视化了机器的学习过程.
结论:
- AFE是一种用于数据驱动催化研究的多功能和强大的技术.
- 这种方法显著推进了对完全自动化催化剂发现的追求.
