使用合奏学习和H2OAutoML预测光染色体的冲击转移
Mamduh J Aljaafreh1, Sajjad H Sumrra2, Sadaf Noreen2
1Physics Department, College of Science, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, 11623, Saudi Arabia. maljaafreh@imamu.edu.sa.
Journal of fluorescence
|August 2, 2025
概括
机器学习模型准确地预测光染色体的斯托克斯移位. H2OAutoML获得了最高的R平方值,确定了改善材料设计的关键分子描述符.
科学领域:
- 计算化学计算化学
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
背景情况:
- 斯托克斯转移是光材料的关键参数,影响其在各种技术中的应用.
- 准确预测斯托克斯转移对于新型光化合物的合理设计至关重要.
- 预测斯托克斯转移的传统方法可能是耗时和计算密集的.
研究的目的:
- 为了比较评估各种机器学习 (ML) 模型的性能,以预测光染色体的斯托克斯移位.
- 为了确定最有效的ML模型和重要的分子描述器用于斯托克斯转移预测.
- 为了提供有关Stokes转移的结构-财产关系的见解.
主要方法:
- 对多个机器学习回归者的比较分析,包括H2OAutoML和历史梯度提升.
- 使用Shapley值来识别关键分子描述符的特征重要性分析.
- 使用K-Fold交叉验证和t-SNE缩小维度的模型性能验证.
- 对分子描述符的评估,例如负担-CAS-德克萨斯大学2D具有低logP自值 (BCUT2D_LOGPLOW).
主要成果:
- H2OAutoML以0.83的R平方 (R2) 显示出卓越的性能,超过了历史梯度增强回归器 (R2 = 0.71).
- 确定BCUT2D_LOGPLOW是一个高度相关的描述符,可能是由于它对分子极化性和电荷分布的表示.
- 沙普利的分析强调了NumAliphaticRings,VSA_Estate2和fr_bicyclc作为对模型性能最有影响力的描述符.
- K-Fold交叉验证证实了数据子集之间一致的模型性能,t-SNE映射显示了数据聚类.
结论:
- 机器学习回归模型显示了用于准确预测光色素体斯托克斯转移的显著潜力.
- 该研究确定了关键的分子描述符,可以指导具有所需光学特性的光材料的设计.
- 这项工作有助于更深入地了解影响斯托克斯转移的因素,并推进材料科学中的计算方法.
