用于交叉合反应的自组装无带纳米粒子催化剂的PTML模型
Andrea Ruiz-Escudero1,2, Zuriñe Serna-Burgos3, Sonia Arrasate3
1Department of Computer Science and Information Technologies, Faculty of Computer Science, University of A Coruña, Campus Elviña S/N, 15071, A Coruña, Spain.
Scientific reports
|August 15, 2025
概括
本研究引入了一种扰动理论和机器学习 (PTML) 模型,用于预测可重复使用的纳米粒子催化剂在交叉合反应中的产量. PTML方法准确地估计了催化剂的性能,降低了成本和环境影响.
科学领域:
- 催化剂是一种催化剂.
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 交叉合反应对于合成复杂分子在制药和材料科学中至关重要.
- 过渡金属纳米粒子 (NP) 催化剂提供了一个有希望的方法,但需要进一步了解它们的行为和效率.
- 计算建模加速了催化剂的设计和优化,减少了时间和成本.
研究的目的:
- 开发一种预测模型,用于估计可重复使用的纳米粒子催化剂在各种交叉合反应中的产量.
- 评估扰动理论和机器学习 (PTML) 的性能,以预测多次重复使用后的催化剂产量.
- 在这个预测任务中比较多重线性回归 (MLR) 和人工神经网络 (ANN) 模型的有效性.
主要方法:
- 一个全面的数据集编制自组装的AU或玻璃支持过渡金属NP催化剂在无带条件下.
- 扰动理论和机器学习 (PTML) 用于构建预测模型.
- 实现和评估了多重线性回归 (MLR) 和各种人工神经网络 (ANN) 架构 (MLP,RBF).
主要成果:
- 最好的MLR模型在测试组中实现了7.4%的平均绝对误差 (MAE) 和12.2%的根平均平方误差 (RMSE).
- 通过ANN回归模型 (MLP和RBF),测试MAE约为5.8-5.9%,测试RMSE为9.8%,表现相似.
- 一个MLP分类模型实现了高精度 (97.0%) 和回忆 (93.8%),以区分高和低产反应.
结论:
- 基于PTML的模型显示了在交叉合反应中准确预测纳米粒子催化剂性能的巨大潜力.
- 这些模型可以指导催化剂和反应条件的选择,优化催化系统.
- 开发的方法可以帮助最大限度地降低合成成本,并通过提高催化剂的可重复使用性和效率来减少对环境的影响.
