Efficient Machine-Learning-Based New Tools to Design Eutectic Mixtures and Predict Their Viscosity
Notice bibliographique
Résumé
The development of models that accurately predict the formation of eutectic mixtures (EMs, including the well-known deep eutectic solvents) and their viscosity is imperative to save time in synthesizing new solvents. We developed reliable machine-learning-based classifiers able to discern between eutectic and noneutectic (non-EM) mixtures and regressors able to predict the viscosity of an EM. A new experimental data set of 219 EMs, 384 non-EMs, and 1450 viscosity points at different temperatures and water contents is provided and used to challenge several models, defined both by an algorithm and by descriptors. The top-performing EM/non-EM classifier yields an accuracy of 92%, and the best regressor achieves viscosity predictions with a mean absolute error of 2.2 mPa·s; the extrapolation capabilities of the latter were assessed on additional measurements at temperatures and water contents outside the range of the training data set, revealing good accuracy at low viscosities. The SHapley Additive exPlanations (SHAP) algorithm was employed in several models as an eXplainable Artificial Intelligence (XAI) technique to quantify input feature contributions to the model output. These results represent a significant step forward in developing robust and highly accurate models for determining eutectic mixtures and their viscosity.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».