<scp>ML</scp> ‐driven models for predicting <scp> CO <sub>2</sub> </scp> uptake in metal–organic frameworks ( <scp>MOFs</scp> )
Notice bibliographique
Résumé
Abstract This study advances the discourse on the application of machine learning (ML) algorithms for the predictive analysis of CO 2 uptake in metal–organic frameworks (MOFs), with a nuanced focus on the CATBoost model's capability to navigate the complexities inherent in MOFs' heterogeneous landscape. Building upon and extending the comparative analysis, our investigation underscores the CATBoost model's remarkable prediction robustness, characterized by a significant reduction in root mean square error (RMSE) and an enhanced R‐squared (R 2 ) value, thereby affirming its superior accuracy and reliability in forecasting CO 2 adsorption. A pivotal aspect of our research is the integration of SHapley Additive exPlanations (SHAP) values for a detailed assessment of feature importance, which not only corroborated ‘pressure’ and ‘surface area’ as pivotal determinants of CO 2 uptake but also illuminated the model's advanced analytical capabilities in handling categorical features and mitigating overfitting, even within a dataset marked by intricate and non‐linear patterns. Our quantitative and conceptual analysis, showcasing up to a 15% improvement in RMSE over previous models, reveals the CATBoost model's unparalleled efficiency in discerning the multifaceted interplay of factors influencing CO 2 adsorption. This is crucial for the strategic engineering of MOFs with optimized properties. Beyond ‘pressure’ and ‘surface area’, our SHAP analysis highlighted other descriptors with substantial values, elucidating their contributions to CO 2 uptake and providing invaluable insights for the MOF design process.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».