Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Inverse design of ZIFs through artificial intelligence methods.

Physical chemistry chemical physics : PCCP·2024
Same author

What Can Machine Learning Approaches in Genomics Tell Us about the Molecular Basis of Amyotrophic Lateral Sclerosis?

Journal of personalized medicine·2020
Same author

Machine Learning Guided Atom Mapping of Metabolic Reactions.

Journal of chemical information and modeling·2018
查看所有相关文章

相关实验视频

Updated: Jan 14, 2026

Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior
06:45

Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior

Published on: March 8, 2024

9.8K

对于材料发现的密度感知主动学习:对功能化纳米孔状材料的案例研究.

V Gkatsis1,2, P Maratos3, C Rekatsinas2

  • 1Department of Informatics and Telecommunications, National and Kapodistrian University, Athens, Greece.

Physical chemistry chemical physics : PCCP
|October 17, 2025
PubMed
概括
此摘要是机器生成的。

这项研究引入了密度意识的贪抽样 (DAGS),这是回归的积极学习方法. 通过考虑数据密度和不确定性,DAGS有效地训练使用较小数据集的机器学习模型,优于现有技术.

更多相关视频

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry
07:20

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry

Published on: October 6, 2023

4.3K
Synthesis and Characterization of Functionalized Metal-organic Frameworks
11:27

Synthesis and Characterization of Functionalized Metal-organic Frameworks

Published on: September 5, 2014

49.1K

相关实验视频

Last Updated: Jan 14, 2026

Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior
06:45

Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior

Published on: March 8, 2024

9.8K
Author Spotlight: Accelerating Discovery in Microporous Material Chemistry
07:20

Author Spotlight: Accelerating Discovery in Microporous Material Chemistry

Published on: October 6, 2023

4.3K
Synthesis and Characterization of Functionalized Metal-organic Frameworks
11:27

Synthesis and Characterization of Functionalized Metal-organic Frameworks

Published on: September 5, 2014

49.1K

科学领域:

  • 化学和材料科学 化学和材料科学
  • 机器学习 机器学习
  • 数据科学数据科学数据科学

背景情况:

  • 高性能机器学习需要大量的数据集,这些数据集在化学和材料科学等领域的获取是昂贵和耗时的.
  • 积极学习 (AL) 方法通过代选择信息样本来减少数据需求,但由于不确定性估计和连续输出空间,回归任务存在独特的挑战.

研究的目的:

  • 为大型设计空间的回归任务制定有效的积极学习策略.
  • 为了最大限度地减少训练数据集大小,同时保持机器学习模型的预测准确度.

主要方法:

  • 引入了密度感知贪采样 (DAGS),这是一个积极学习的回归算法.
  • 综合不确定性估计与数据密度以指导样本选择.
  • 对用于分离应用的纳米孔材料 (MOF,COF) 的合成和现实数据集进行了评估.

主要成果:

  • DAGS的表现始终优于随机抽样和现有的最先进的积极学习方法.
  • 实现了对显著减少数据点的回归模型的有效训练.
  • 即使在高维数据集上也表现出强的性能.

结论:

  • 密度意识的贪抽样 (DAGS) 是对回归任务的高效主动学习方法.
  • 在材料科学和化学领域,DAGS提供了一种可靠的解决方案来降低数据采集成本.
  • 该方法显示了加速发现和优化功能性材料的前景.