Heat Capacity of Ionic Liquids: Toward Interpretable Chemical Structure-Based Machine Learning Approaches
Notice bibliographique
Résumé
This study focuses on predicting the heat capacity of pure liquid-phase ionic liquids (ILs) using machine learning models from various categories, including support vector machines, instance-based learning, ensemble learning, and neural networks, with linear regression serving as a baseline. A key aim of this work is not only to achieve accurate predictions but also to ensure the interpretability of the results, addressing a gap often overlooked in predictive modeling studies. To accomplish this, we curated and cleaned a comprehensive data set of 13,893 data points covering 322 ILs, using temperature and chemical structure-based features as inputs. We evaluated model performance and conducted a thorough interpretability analysis to reveal the patterns of the top-performing model’s predictions, ensuring that they are understandable. All models outperformed the baseline, with XGBoost (eXtreme Gradient Boosting) from the ensemble learning category achieving the best results, with total RMSE, R 2, and AARD (%) values of 11.389, 0.997, and 1.212%, respectively. Shallow neural networks also performed competitively, suggesting that complex deep learning architectures may not be necessary. Both 10-fold and leave-one-IL-out (LOILO) cross-validation further validated the robustness of these results. Importantly, the interpretability analysis identified key factors influencing heat capacity predictions, such as anion size (e.g., NTf 2 and FAP) and alkyl chain length. These factors were validated by testing the model on previously unseen IL examples. Additionally, a user-friendly web application was developed to make predictions, allowing users to input chemical groups or select compounds from a predefined list of 1633 ILs. This study underscores the importance of combining diverse modeling approaches with robust interpretability techniques to achieve reliable and explainable predictions for IL heat capacity.
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 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 | 0,000 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».