Automated Machine Learning of Interfacial Interaction Descriptors and Energies in Metal-Catalyzed N<sub>2</sub> and CO<sub>2</sub> Reduction Reactions
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
The applications of machine learning (ML) in complex interfacial interactions are hindered by the time-consuming process of manual feature selection and model construction. An automated ML program was implemented with four subsequent steps: data distribution analysis, dimensionality reduction and clustering, feature selection, and model optimization. Without the need of manual intervention, the descriptors of metal charge variance (Δ Q CT ) and electronegativity of substrate (χ sub ) and metal (δχ M ) were raised up with good performance in predicting electrochemical reaction energies for both nitrogen reduction reaction (NRR) and CO 2 reduction reaction (CO 2 RR) on metal–zeolites and MoS 2 surfaces. The important role of interfacial interactions in tuning the catalytic reactivity in NRR and CO 2 RR was highlighted from SHAP analysis. It was proposed that Fe-, Cr-, Zn-, Nb-, and Ta-zeolites are favorable catalysts for NRR, while Ni-zeolite showed a preference for CO 2 RR. An elongated bond of N 2 or a bent configuration of CO 2 was shown in V-, Co-, and Mo-zeolites, indicating that the molecule could be activated after the adsorption in both NRR and CO 2 RR pathways. The generalizability of the automatically built ML model is demonstrated from applications to other catalytic systems such as metal–organic frameworks and SiO 2 surfaces. The automated ML program is a useful tool to accelerate the data-driven exploration of relationship between structures and material properties without the need of manual feature selection.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle