Intelligent Machine Learning: Tailor-Making Macromolecules
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nowadays, polymer reaction engineers seek robust and effective tools to synthesize complex macromolecules with well-defined and desirable microstructural and architectural characteristics. Over the past few decades, several promising approaches, such as controlled living (co)polymerization systems and chain-shuttling reactions have been proposed and widely applied to synthesize rather complex macromolecules with controlled monomer sequences. Despite the unique potential of the newly developed techniques, tailor-making the microstructure of macromolecules by suggesting the most appropriate polymerization recipe still remains a very challenging task. In the current work, two versatile and powerful tools capable of effectively addressing the aforementioned questions have been proposed and successfully put into practice. The two tools are established through the amalgamation of the Kinetic Monte Carlo simulation approach and machine learning techniques. The former, an intelligent modeling tool, is able to model and visualize the intricate inter-relationships of polymerization recipes/conditions (as input variables) and microstructural features of the produced macromolecules (as responses). The latter is capable of precisely predicting optimal copolymerization conditions to simultaneously satisfy all predefined microstructural features. The effectiveness of the proposed intelligent modeling and optimization techniques for solving this extremely important 'inverse' engineering problem was successfully examined by investigating the possibility of tailor-making the microstructure of Olefin Block Copolymers via chain-shuttling coordination polymerization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle