用于产品识别的演机器学习模型
Tianfan Jin1, Qiyuan Zhao1, Andrew B Schofield1
1Department of Chemical Engineering, Purdue University West Lafayette USA bsavoie@purdue.edu.
Chemical science
|August 2, 2024
概括
机器学习模型现在可以通过将感应模型集成到演网络中,在化学中执行演. 这种方法解决了复杂的化学预测任务,提高了准确性和处理具有挑战性的数据场景.
科学领域:
- 化学 化学 化学
- 机器学习 机器学习
- 计算科学 计算科学
背景情况:
- 化学中的当代机器学习 (ML) 主要使用来自固定的特征的诱导学习.
- 许多化学工作流程,如实验室自动化和光谱解释,需要演推理.
- 未确定的预测场景和矛盾的信息需要推理策略.
研究的目的:
- 开发和演示用于创建能够进行演推理的ML模型的一般策略.
- 将个别的感应ML模型组合到一个更大的化学应用的演网络中.
- 在复杂的化学预测任务中解决纯感应ML的局限性.
主要方法:
- 通过将多个感应模型集成到一个演网络中来设计和训练ML模型.
- 演示了从光谱混合物中推断反应产物任务的策略.
- 使用了超过110万个模拟光谱的大数据集进行训练.
主要成果:
- 开发的模型成功地从光谱混合物中推断出反应产物.
- 模型可以区分预期和非预期的反应结果,并识别出发材料.
- 模型在未经训练的任务上表现强,包括结构推理和预测次要产品.
结论:
- 将感应模型组合成演网络的策略使ML模型能够在化学中进行演.
- 这种方法克服了化学问题的演瓶,证明它们对ML来说并非无法克服.
- 这些发现为ML在复杂化学推理和预测中的应用开辟了新的可能性.


