对CO₂吸收的环境良性离子液体的选使用基于表示不确定性的机器学习

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 环境科学 环境科学

背景情况:

• 机器学习 (ML) 模型对于选具有低粘度,低毒性和高二氧化碳吸收等理想性质的离子液体 (IL) 至关重要,以缓解气候变化.
• 当候选IL在模型的训练数据范围 (外推区域) 之外时,ML模型的预测可能不可靠,导致效率低下的材料发现.

研究的目的:

• 开发和验证一种"表示不确定性" (RU) 方法,以量化ML查ML模型中的预测不确定性.
• 通过解决模型推断问题,提高识别有前途的IL候选人二氧化碳捕获的可靠性.

主要方法:

• 采用了四种不同的IL表示:分子指纹,描述符,图像和图形,每个都被输入到单独的ML模型中.
• 使用RU方法量化预测不确定性,计算为四种不同的ML模型中预测的标准偏差.
• 开发集体ML模型,将来自四个基于表示的模型的预测结合起来.

主要成果:

• 该RU方法在识别粘度,毒性,折射率和二氧化碳吸收数据集的不可靠预测方面表现优于传统模型不确定性 (MU).
• 与基于单个表示的单个ML模型相比,集体模型表现出更好的预测性能.
• 使用RU方法选了1420个IL,确定了37个具有可吸收二氧化碳的理想性质的有希望的候选者.
• 实验验证证证实了整体模型的预测准确性和RU方法对二氧化碳吸收的有效性.

结论:

• "表示不确定性"方法为选和设计离子液体提供了更可靠的方法,加速了碳捕获材料的发现.
• 集成建模,以 RU 方法为指导,显著提高了预测准确度,并有助于识别高性能 IL.
• 这项工作为开发强大的ML模型提供了新的视角,并增强了功能材料的发现管道.