高通量光催化剂用于生成可靠的数据集,并通过机器学习进行分析
Mark Croxall1, Reece Lawrence2, Jiaqi Gong1
1Department of Chemistry, University of Toronto, 80 St. George St., Toronto, Ontario, MS5 3H6, Canada.
概括
高通量光催化 (HTP) 测试材料对各种污染物的检测. 机器学习模型预测降解,识别易受光催化分解的分子结构,以有效净化水.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 光催化为清除水污染物提供了一种环保的方法.
- 与有限的分析物相比,评估新型光催化材料可能不反映现实世界的性能.
- 需要有效的方法来评估各种污染物中的光催化材料.
研究的目的:
- 引入高通量光催化 (HTP) 方法,以快速评估材料.
- 开发机器学习 (ML) 模型来预测污染物的光降解.
- 与光催化反应性相关联分子结构.
主要方法:
- 开发了一个模块化高通量光催化 (HTP) 实验设置.
- 在不同的条件下收集多种分析物的光降解数据.
- 应用线性回归,随机森林 (RF) 和神经网络 (NN) ML模型使用分子指纹.
- 使用了SHapley添加式扩展 (SHAP) 进行结构-活性关系分析.
主要成果:
- 射频和NN模型准确估计了未知分子的光降解百分比,而没有过拟合.
- HTP方法证明了光催化材料的时间有效评估.
- SHAP分析成功地确定了影响光催化降解速率的分子亚结构.
- 生成反应性热图,与详细的染料降解研究保持一致.
结论:
- 与ML相结合的HTP为评估光催化材料提供了一个强大的平台.
- 开发的模型可以预测降解效率,并识别分子内的反应性位点.
- 这种方法可以加速发现和优化用于水资源整治的材料.
