Insights into modeling refractive index of ionic liquids using chemical structure-based machine learning methods
Notice bibliographique
Résumé
Abstract Ionic liquids (ILs) have drawn much attention due to their extensive applications and environment-friendly nature. Refractive index prediction is valuable for ILs quality control and property characterization. This paper aims to predict refractive indices of pure ILs and identify factors influencing refractive index changes. Six chemical structure-based machine learning models called eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Categorical Boosting (CatBoost), Convolutional Neural Network (CNN), Adaptive Boosting-Decision Tree (Ada-DT), and Adaptive Boosting-Support Vector Machine (Ada-SVM) were developed to achieve this goal. An enormous dataset containing 6098 data points of 483 different ILs was exploited to train the machine learning models. Each data point’s chemical substructures, temperature, and wavelength were considered for the models’ inputs. Including wavelength as input is unprecedented among predictions done by machine learning methods. The results show that the best model was CatBoost, followed by XGBoost, LightGBM, Ada-DT, CNN, and Ada-SVM. The R2 and average absolute percent relative error (AAPRE) of the best model were 0.9973 and 0.0545, respectively. Comparing this study’s models with the literature shows two advantages regarding the dataset’s abundance and prediction accuracy. This study also reveals that the presence of the –F substructure in an ionic liquid has the most influence on its refractive index among all inputs. It was also found that the refractive index of imidazolium-based ILs increases with increasing alkyl chain length. In conclusion, chemical structure-based machine learning methods provide promising insights into predicting the refractive index of ILs in terms of accuracy and comprehensiveness.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».